Exploratory: 線形回帰の紹介 - 基礎編

線形回帰のアルゴリズムは昔からあるもので、極めてシンプルなものですが、今でもデータサイエンスの世界では最もよく使われるアルゴリズムです。

このセミナーでは、その基本的なコンセプトの紹介と、線形回帰のアルゴリズムによって作られる予測モデルから得られるインサイトの解釈の仕方の話をします。

Transcript

1. 1 Exploratory ηϛφʔ ઢܗճؼɿجૅฤ
2. 2 εϐʔΧʔ ੢ా צҰ࿠ CEO EXPLORATORY ུྺ 2016೥ɺσʔλαΠΤϯεͷຽओԽͷͨΊɺExploratory, Inc Λཱͪ ্͛Δɻ Exploratory, Inc.ͰCEOΛ຿ΊΔ͔ͨΘΒɺσʔλαΠΤϯεɾϒʔ τΩϟϯϓɾτϨʔχϯάͳͲΛ௨ͯ͠γϦίϯόϨʔͰߦΘΕ͍ͯ Δ࠷ઌ୺ͷσʔλαΠΤϯεͷීٴͱڭҭʹऔΓ૊Ήɻ ถΦϥΫϧຊࣾͰɺ16೥ʹΘͨΓσʔλαΠΤϯεͷ։ൃνʔϜΛ཰ ͍ɺػցֶशɺϏοάɾσʔλɺϏδωεɾΠϯςϦδΣϯεɺσʔ λϕʔεʹؔ͢Δ਺ଟ͘ͷ੡඼ΛੈʹૹΓग़ͨ͠ɻ @KanAugust
3. Vision ୭΋͕σʔλΛ࢖ͬͯΑΓΑ͍ ҙࢥܾఆ͕Ͱ͖ΔੈͷதʹͳΔ
4. Mission σʔλαΠΤϯεͷຽओԽ
5. 質問 ExploratoryͰ؆୯ʹͰ͖ΔλεΫ 伝える データアクセス データ ラングリング 可視化 アナリティクス 統計/機械学習 UI
6. 6 Exploratory ηϛφʔ ઢܗճؼɿجૅฤ
7. 質問 伝える データアクセス データ ラングリング 可視化 アナリティクス 統計/機械学習
8. ઢܗճؼ
9. ઢܗճؼ ݹͯ͘جຊతͳ༧ଌϞσϧΛ࡞ΔͨΊͷΞϧΰϦζϜ͕ͩɺ ͦͷγϯϓϧ͞ͱઆ໌ྗΏ͑ʹɺݱࡏͰ΋σʔλαΠΤϯεͷ ੈքͰ͸࠷΋Α͘࢖ΘΕΔ౷ܭֶशʢ·ͨ͸ػցֶशʣ ΞϧΰϦζϜͷҰͭɻ
10. σʔλ 10
11. ैۀһσʔλ
12. Monthly Incomeʢ݄ͷڅྉʣ
13. Monthly Incomeʢ݄ͷڅྉʣ
14. ͜ͷձࣾͷڅྉ͸ͲΕ͘Β͍͔ʁ 14 ࣭໰
15. ݄ͷڅྉͷฏۉʁ 15 $6,503
16. ͔͠͠ɻɻɻ 16
17. σʔλ͸͹Βͭ͘ 17
18. $6,503 ฏۉ
19. $6,503 ͹Β͖ͭ ฏۉ $15,000 $1,000
20. Կ͕څྉΛ͹Β͔ͭͤΔͷ͔ʁ 20
21. ૬ؔ 21
22. 22 2ͭͷม਺ͷ͏ͪɺ1ͭͷม਺ͷ஋͕มΘΔͱ΋͏1ͭͷม ਺ͷ஋΋ҰఆͷنଇΛ࣋ͬͯมΘΔؔ܎ ૬ؔ
23. 23 ڧ͍ਖ਼ͷ
 ૬ؔؔ܎ ૬ؔؔ܎ͳ͠ ڧ͍ෛͷ
 ૬ؔؔ܎ 0 1 -1 0.5 -0.5 ૬ؔ
24. 24 ೥ྸ څྉ ೥ྸ্͕͕Δͱڅྉ͸্͕Δ
25. 25 ͳͥ૬ؔΛཧղ͍ͨ͠ͷ͔ʁ
26. 26 ͹Β͖ͭ ฏۉ 5000 100
27. 27 ͹Β͖ͭ $20,000 $1,000 څྉ
28. 28 ͹Β͖ͭ ͜ͷձࣾͷڅྉ͸ ͍͘Β͘Β͍ʁ $20,000 $1,000 څྉ
29. 29 ͹Β͖ͭ ෆ࣮֬ੑ $20,000 $1,000 څྉ ͜ͷձࣾͷڅྉ͸ ͍͘Β͘Β͍ʁ
30. 30 0 30 20 ΋͠૬ؔؔ܎Λݟ͚ͭΔ͜ͱ͕Ͱ͖Δͱɻɻɻ 10 $20,000 $1,000 څྉ ۈଓ೥਺
31. 31 0 30 20 10 $20,000 $1,000 څྉ ۈଓ೥਺ ۈଓ೥਺͕20೥ͩͱ څྉ͸$15,000͘Β͍ɻ $15,000
32. 32 ෆ࣮֬ੑ͕ݮΔ 0 30 20 څྉ ۈଓ೥਺ ૬ؔ ͹Β͖ͭ $20,000 $1,000 $15,000 $20,000 $1,000
33. ڧ͍૬ؔؔ܎ͷ͋Δ΋ͷΛݟ͚ͭΔ͜ͱ͕Ͱ͖Ε͹ څྉ͕Ͳ͏มΘΔ͔Λઆ໌͠΍͘͢ͳΔɻ ·ͨɺڅྉΛ༧ଌ͠΍͘͢ͳΔ
34. ૬ؔΛௐ΂Δ
35. ૬ؔΛௐ΂Δ
36. ૬ؔؔ܎Λݟ͚ͭΔ͚ͩͰे෼͔ʁ
37. • ͦͷͲ͏͍͏ؔ܎ͳͷͩΖ͏͔ʁ • ͦΕ͸஫ҙʹ஋͢ΔΑ͏ͳؔ܎ͳͷ͔ʁ • ͦͷؔ܎ʹΑͬͯڅྉͷ͹Β͖ͭΛͲͷ͘Β͍આ໌Ͱ͖Δͷ͔ʁ ૬ؔؔ܎͕͋Δͱͯ͠ɻɻɻ
38. ઢܗճؼͷϞσϧΛ࡞Δͱɺ ͜͏࣭ͨ͠໰ʹ౴͑Δ͜ͱ͕Ͱ͖Δʂ
39. ઢܗճؼͷجૅ 39
40. 40 500ສ ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ څྉ 1000ສ 1500ສ 2000ສ
41. 41 500ສ ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ څྉ 1000ສ 1500ສ 2000ສ ֤఺͔Βͷڑ཭͕࠷খʹͳΔ Α͏ͳ௚ઢΛҾ͘ɻ
42. 42 500ສ ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ څྉ 1000ສ 1500ສ 2000ສ څྉ = 50ສ * ۈଓ೥਺ + 500ສ
43. 43 40೥ 20೥ 10೥ ೖࣾ 30೥ 500ສ ܏͖ɿ50ສ څྉ = 50ສ * ۈଓ೥਺ + 500ສ
44. 44 ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ 500ສ Y੾ย څྉ څྉ = 50ສ * ۈଓ೥਺ + 500ສ
45. ઢܗճؼͷΞϧΰϦζϜ͸͜ΕΒͷύϥϝʔλͷ஋Λ खݩʹ͋ΔσʔλΛ΋ͱʹݟ͚ͭग़ͯ͘͠ΕΔɻ Model څྉ = 50ສ * ۈଓ೥਺ + 500ສ
46. 46 40 20 10 0 30 5000 10000 15000 25000 20000 ࢒ࠩ
47. ༧ଌର৅஋ ( y ) ΛɺҰͭͷ஋ ( x ) ͔Β༧ଌ͢Δ৔߹ y = a * x + b ୯ճؼ څྉ = 50ສ * ۈଓ೥਺ + 500ສ
48. ༧ଌର৅஋ ( y ) Λɺෳ਺ͷ஋ʢx1, x2, … ʣ͔Β༧ଌ͢Δ৔߹ y = a1 * x1 + a2 * x2 + b ॏճؼ څྉ = 50ສ * ۈଓ೥਺ + 60ສ * ৬ͷ֊ڃ + 500ສ
49. 49 Let’s try
50. 50 • λΠϓʹઢܗճؼ෼ੳΛબ୒ɻ • ໨తม਺ʹMonthlyIncome (څྉ)Λબ୒ɻ • ༧ଌม਺ΛΫϦοΫɻ ΞφϦςΟΫεϏϡʔͰ
51. 51 TotalWorkingYears (ۈଓ೥਺)Λબ୒͢Δ
53. 53 څྉ = 468 * ۈଓ೥਺ + 1228
54. Ϟσϧͷղऍ
55. • ༧ଌม਺͕਺஋ͷ࣌ͷ܏͖ʢCoefficientʣ • ༧ଌม਺͕ΧςΰϦʔͷ࣌ͷ܏͖ʢCoefficientʣ • P஋ - ༗ҙ͔Ͳ͏͔ • R-Squared - Ϟσϧ͕͹Β͖ͭΛઆ໌Ͱ͖ͯΔׂ߹ 55 ઢܗճؼͷجૅ
56. • ༧ଌม਺͕਺஋ͷ࣌ͷ܏͖ʢCoefficientʣ • ༧ଌม਺͕ΧςΰϦʔͷ࣌ͷ܏͖ʢCoefficientʣ • P஋ - ༗ҙ͔Ͳ͏͔ • R-Squared - Ϟσϧ͕͹Β͖ͭΛઆ໌Ͱ͖ͯΔׂ߹ 56 ઢܗճؼͷجૅ
57. څྉ = 500 * ۈଓ೥਺ + 5000 ܏͖ ੾ย
58. 58 ۈଓ೥਺ 4 2 1 0 3 څྉ = 500 * ۈଓ೥਺+ 5000 5000 5500 6000 6500 ܏͖ɿ500 ۈଓ೥਺͕̍೥૿͑Δͱڅྉ ͸500υϧ্͕Δ
59. 59 5000 ܏͖ɿ1000 5500 6000 6500 7000 4 2 1 0 3 ۈଓ೥਺͕̍೥૿͑Δͱڅྉ ͸1000υϧ্͕Δ څྉ = 1000 * ۈଓ೥਺+ 5000 ۈଓ೥਺
60. 60 4 2 1 0 3 5000 5500 6000 6500 Slopeɿ-500 ۈଓ೥਺ ۈଓ೥਺͕̍೥૿͑Δͱڅྉ ͸500υϧԼ͕Δɻ څྉ = -500 * ۈଓ೥਺+ 6500
61. 61 4 2 1 0 3 5000 5500 6000 6500 ܏͖ɿ0 ۈଓ೥਺ ۈଓ೥਺͕ͲΜͳʹ૿͑ͯ΋ څྉ͸͍ͭ΋5,500υϧʢมΘ Βͳ͍ʣɻ څྉ = 0 * ۈଓ೥਺+ 5500
62. 62 ۈଓ೥਺ څྉ ಠཱ ͓ޓ͍ʹӨڹ͠ͳ͍
64. 64 ۈଓ೥਺ 4೥ 2೥ 1೥ ೖࣾ 3೥ Y੾ยɿ1228 1500 2000 2500 ܏͖ɿ468 څྉ = 468 * ۈଓ೥਺ + 1228 1000
65. 65 څྉ ۈଓ೥਺ vs. ਺஋ ਺஋
66. 66 څྉ = 468 * ۈଓ೥਺ + 1228
67. 67 ਺஋ ਺஋
68. 68 څྉ ෦ॺ vs. ਺஋ ΧςΰϦʔ ෦໳ʹΑͬͯڅྉʹҧ͍͸͋Δ͔
69. 69 ਺஋ ΧςΰϦʔ
70. ઢܗճؼͷجૅ • ༧ଌม਺͕਺஋ͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • ༧ଌม਺͕ΧςΰϦʔͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • P஋ - ༗ҙ͔Ͳ͏͔ • R-Squared - Ϟσϧ͕͹Β͖ͭΛઆ໌Ͱ͖ͯΔׂ߹ 70
72. 72 ΧςΰϦʔͷ࣌͸ ϕʔεϨϕϧͱൺ΂Δ
73. 73 Summary λϒ Coefficient λϒ
74. 74 ΧςΰϦʔ஋͸Ϟσϧͷܭࢉ࣌ʹɺΧςΰϦʔ஋ͷҰͭҰ͕ͭྻ ͱͯ͠ల։͞Εɺͦ͜ʹ0͔1ͷσʔλ͕ೖΔΑ͏ʹͳΔɻ Name Sales HR Peter 1 0 Maria 0 1 Jane 1 0 Kan 0 0 Name Department Peter Sales Maria HR Jane Sales Kan R&D
75. 75 ෦ॺ͕Salesͷ৔߹ɺSalesͷྻʹ1ɺHRͷྻʹ0͕ೖΔɻ Name Sales HR Peter 1 0 Maria 0 1 Jane 1 0 Kan 0 0
76. 76 ෦ॺ͕R&DʢϕʔεϨϕϧʣͷ৔߹ɺSalesͱHRͷྻ͸0ʹͳΔɻ Name Sales HR Peter 1 0 Maria 0 1 Jane 1 0 Kan 0 0
77. 77 Sales͕1ϙΠϯτ্͕Δͱ͍͏͜ͱ͸ɺ R&DͱSalesͷࠩͩͱߟ͑Δ͜ͱ͕Ͱ͖Δɻ Name Sales HR Peter 1 0 Maria 0 1 Jane 1 0 Kan 0 0 1ϙΠϯτͷ্ঢ
78. 78 HR͕1ϙΠϯτ্͕Δͱ͍͏͜ͱ͸ɺ R&DͱHRͷࠩͩͱߟ͑Δ͜ͱ͕Ͱ͖Δɻ Name Sales HR Peter 1 0 Maria 0 1 Jane 1 0 Kan 0 0 1ϙΠϯτͷ্ঢ
79. 79 Sales෦໳͸ϕʔεϨϕϧͰ͋ΔR&D෦໳ͱൺ΂Δ ͱɺ678υϧ΄Ͳڅྉ͕ߴ͍ɻ
80. ઢܗճؼͷجૅ • ༧ଌม਺͕਺஋ͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • ༧ଌม਺͕ΧςΰϦʔͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • P஋ - ༗ҙ͔Ͳ͏͔ • R-Squared - Ϟσϧ͕͹Β͖ͭΛઆ໌Ͱ͖ͯΔׂ߹ 80
81. • खݩʹ͋Δҧ͍͕ͨ·ͨ·͓͖Δ֬཰ɻ • ໨ʹݟ͍͑ͯΔҧ͍͸ʮ༗ҙʯͳͷ͔Ͳ͏͔Λ൑அ ͢Δ࣌ʹ࢖͏ࢦඪɻ 81 P஋ͱ͸ʁ
82. 82 څྉ ۈଓ೥਺ vs.
85. 85 څྉΛۈଓ೥਺ʹΑͬͯઆ໌͢ΔͨΊͷઢܗճؼϞσϧ څྉ = 467 * ۈଓ೥਺ + 1227
86. 86 ۈଓ೥਺ څྉ ؼແԾઆ ಠཱ͍ͯ͠Δ
87. 87 ۈଓ೥਺ͷ܎਺͕ 0 ؼແԾઆ ۈଓ೥਺͕ԿͰ͋Ζ͏ͱɺڅྉʹશ͘Өڹ͠ͳ͍ɻ څྉͱۈଓ೥਺͸ಠཱ͍ͯ͠Δɻ څྉ = 0 * ۈଓ೥਺ + 1227
89. 89 ؼແԾઆ͕੒ΓཱͭͱԾఆͨ࣌͠ ʹɺ͜͜ʹݟΒΕΔ܏͖ͷ஋͕ಘΒ ΕΔ֬཰͕P஋ɻ P஋͕0ʹݶΓͳ͍ۙ͘ɻ ͳ͔ͳ͔ى͖͑ͳ͍͜ͱ͕ى͖͍ͯ ΔͷͰɺ͜ͷҧ͍͸ۈଓ೥਺ͱڅྉ ʹ૬ؔؔ܎͕ͳ͍ͱݴ͑ͳ͍ɻ
90. 90 ۈଓ೥਺ څྉ ؔ܎͕͋Δ
91. 91 څྉ ௨ۈڑ཭ vs.
94. 94 ڑ཭ څྉ ؼແԾઆ ಠཱ͍ͯ͠Δ
95. 95 څྉΛ௨ۈڑ཭ʹΑͬͯઆ໌͢ΔͨΊͷઢܗճؼϞσϧ څྉ = -9 * ௨ۈڑ཭ + 6593
96. 96 ௨ۈڑ཭ͷ܎਺͕ 0 ؼແԾઆ ௨ۈڑ཭͕ԿͰ͋Ζ͏ͱɺڅྉʹશ͘Өڹ͠ͳ͍ɻ څྉͱ௨ۈڑ཭͸ಠཱ͍ͯ͠Δɻ څྉ = 0 * ௨ۈڑ཭ + 6593
97. 97 ؼແԾઆ͕੒ΓཱͭͱԾఆͨ࣌͠ ʹɺ͜͜ʹݟΒΕΔ܏͖ͷ஋͕ಘΒ ΕΔ֬཰͕P஋ɻ P஋͕51ˋʢ0.51ʣɻ ͜Ε͘Β͍ͷؔ܎͸ɺසൟʹى͜Δ ͜ͱͳͷͰɺ௨ۈڑ཭ͱڅྉʹ૬ؔ ؔ܎͕͋Δͱݴ͑ͳ͍ɻ
98. 98 ௨ۈڑ཭ څྉ ؔ܎͕͋Δͱݴ͑ͳ͍ɻ
99. ༗ҙͰͳ͍࣌ • มԽͷ෯͕औΔʹ଍Γͳ͍ • σʔλͷྔ͕খ͍͞ 99
100. P஋ ৴པ۠ؒ or
101. P஋ ৴པ۠ؒ or
102. 102 ۈଓ೥਺ څྉ ?
103. ܏͖ͷ஋͸467ɺ৴པ۠ؒ͸448͔Β487 ͷؒɻͭ·Γ95ˋͷ֬཰Ͱ͜ͷ஋ͷதʹ ਅͷ܏ؚ͖͕·ΕΔͰ͋Ζ͏ͱ͍͏͜ͱɻ ܏͖0Ͱ͋Δ͜ͱ͸ɺ͓ͦΒ͘ͳ͍ɻ
104. 104 ۈଓ೥਺ 4 2 1 0 3 5000 5500 6000 6500 ܏͖ɿ0 ΋͠܏͖͕ 0 Ͱ͋Δͱ͍͏͜ͱ͸… ۈଓ೥਺͕ͲΜͳʹ૿͑ͯ΋ څྉ͸͍ͭ΋5,500υϧʢมΘ Βͳ͍ʣɻ څྉ = 0 * ۈଓ೥਺+ 5500
106. 106 ૬ؔؔ܎͕͋Δ ۈଓ೥਺ څྉ
107. 107 ௨ۈڑ཭͸Ͳ͏͔ʁ ? ௨ۈڑ཭ څྉ
108. 0 ܏͖ͷ஋͸-9ɺ৴པ۠ؒ͸-39͔Β19ͷ ؒɻͭ·Γ95ˋͷ֬཰Ͱ͜ͷ஋ͷதʹਅ ͷ܏ؚ͖͕·ΕΔͰ͋Ζ͏ͱ͍͏͜ͱɻ ܏͖͕0Ͱ͋Δ͔΋͠Εͳ͍ɻ
109. 109 Distance 4 2 1 0 3 5000 5500 6000 6500 Slopeɿ0 ۈଓ೥਺͕ͲΜͳʹ૿͑ͯ΋ څྉ͸͍ͭ΋6,593υϧʢมΘ Βͳ͍ʣɻ څྉ = 0 * ۈଓ೥਺+ 6593 ΋͠܏͖͕ 0 Ͱ͋Δͱ͍͏͜ͱ͸…
110. 6593 ΋͠܏͖͕ 0 Ͱ͋Δͱ͍͏͜ͱ͸…
111. 111 ؔ܎͕͋Δͱݴ͑ͳ͍ɻ ௨ۈڑ཭ څྉ
112. ઢܗճؼͷجૅ • ༧ଌม਺͕਺஋ͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • ༧ଌม਺͕ΧςΰϦʔͷ࣌ͷ܏͖ʢCoefficientʣͷղऍ • P஋ - ༗ҙ͔Ͳ͏͔ • R-Squared - Ϟσϧ͕͹Β͖ͭΛઆ໌Ͱ͖ͯΔׂ߹ 112
113. 113 R Squared • ໨తม਺ͷฏۉ͔Βͷ͹Β͖ͭΛϞσϧ͕આ໌Ͱ͖Δׂ߹ɻ • 0͔Β1ͷؒͰɺ1͕࠷ߴͷ஋ɻ
114. R Squared͕1ʹ͍ۙͱ͖ 114
115. 115 ฏۉ ༧ଌ x y
116. 116 ฏۉ ༧ଌ ͜ͷ఺ʹ͍ͭͯߟ͑ͯΈΔɻ x y
117. ฏۉ ༧ଌ 117 x y
118. ฏۉ ༧ଌͱ఺ͷؒ͸ɺϞσϧʹ Αͬͯઆ໌Ͱ͖͍ͯͳ͍ɻ ༧ଌͱฏۉͷؒ͸ɺ
 ϞσϧʹΑͬͯઆ໌ Ͱ͖͍ͯΔɻ ༧ଌ 118 x y ࣮ଌ
119. ฏۉ ༧ଌ 119 x y ࣮ଌ σʔλͷ͹Β͖ͭͷେ෦෼͕ɺϞσϧʹΑͬͯઆ໌ग़དྷ͍ͯΔɻ
120. R Squared͕0ʹ͍ۙͱ͖ 120
121. 121 ฏۉ ༧ଌ x y
122. 122 ฏۉ ༧ଌ ͜ͷ఺ʹ͍ͭͯߟ͑ͯΈΔɻ x y
123. ༧ଌͱ఺ͷؒ͸ɺϞσϧʹ Αͬͯઆ໌Ͱ͖͍ͯͳ͍ɻ ༧ଌͱฏۉͷؒ͸ɺ
 ϞσϧʹΑͬͯઆ໌Ͱ͖ ͍ͯΔɻ ฏۉ ༧ଌ 123 x y
124. ฏۉ ༧ଌ σʔλͷ͹Β͖ͭͷ಺ɺϞσϧʹΑͬͯઆ໌ग़དྷ͍ͯΔ෦෼͕গͳ͍ɻ 124 x y
125. R Squared͸σʔλͷฏۉ͔Βͷ͹Β͖ͭΛ
 Ϟσϧ͕આ໌Ͱ͖͍ͯΔׂ߹Λද͢ɻ R Squared͕ߴ͍ 125 R Squared͕௿͍
126. R Squared͸60ˋʢ0.597ʣɻ
127. 127 ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ څྉ 5000 10000 15000 25000 20000
128. 128 ۈଓ೥਺ 40೥ 20೥ 10೥ ೖࣾ 30೥ څྉ ฏۉ 100% 60% 5000 10000 15000 25000 20000 0%
129. څྉͷฏۉ͔Βͷ͹Β͖ͭͷ60ˋΛۈଓ೥਺ͷҧ͍Ͱઆ໌Ͱ͖Δɻ ࢒Γͷ40ˋΛઆ໌͢Δʹ͸ผͷม਺ɺ·ͨ͸ผͷཁૉ͕ඞཁɻ
130. ͱ͜ΖͰɺଞʹ΋࣭໰͕͋Δ…
131. • ྫ͑͹ɺ೥ྸͱۈଓ೥਺ͷΑ͏ʹ૬ؔؔ܎͕͋Δม਺͕͋Δɻ • ೥ྸͱڅྉͷ૬ؔؔ܎͸ɺ΄Μͱʹ೥ྸ͔Β͚ͩདྷ͍ͯΔͷ͔ʁͦ ͷ͏ͪͷ͍͘Β͔͸ۈଓ೥਺͔Βདྷ͍ͯΔͷͰ͸ͳ͍͔ʁ • ೥ྸ͕ಉ͡30ࡀͩͱͯ͠΋ಉ͡ձࣾʹ͍Δۈଓ೥਺͕௕͍ਓͷ΄͏ ͕څྉ͕ߴ͍ͷͰ͸ͳ͍͔ʁ΋͘͠͸ɺͦͷٯʁ
132. 132 ೥ྸ څྉ ۈଓ೥਺
133. • ͦΕͧΕͷม਺ͷಠཱͨ͠Өڹ౓Λ஌Γ͍ͨɻ • खݩʹ͋Δม਺ͷ͏ͪɺͲΕ͕ଞͷม਺ΑΓ΋ΑΓӨڹ౓͕͋Δͷ ͔஌Γ͍ͨɻ • Өڹ౓͸શͯͷ෦໳͝ͱʹಉ͡ͳͷͩΖ͏͔ʁҧ͍Λ஌Γ͍ͨɻ
134. ༧ଌର৅஋ ( y ) ΛɺҰͭͷ஋ ( x ) ͔Β༧ଌ͢Δ৔߹ y = a * x + b ୯ճؼ څྉ = 50ສ * ۈଓ೥਺ + 500ສ
135. ༧ଌର৅஋ ( y ) Λɺෳ਺ͷ஋ʢx1, x2, … ʣ͔Β༧ଌ͢Δ৔߹ y = a1 * x1 + a2 * x2 + b ॏճؼ څྉ = 50ສ * ۈଓ೥਺ + 60ສ * ৬ͷ֊ڃ + 500ສ
136. Stay tuned…
138. • ϓϩάϥϛϯάͳ͠ RݴޠͷUIͰ͋ΔExploratoryΛ෼ੳπʔϧͱͯ͠࢖༻͢ΔͨΊडߨத͸ɺϏδωεͷ ໰୊Λղܾ͢ΔͨΊʹඞཁͳσʔλαΠΤϯεͷख๏ͷशಘʹ100ˋूதͰ͖Δ • ෼ੳπʔϧͷϕϯμʔϩοΫΠϯͳ͠ ExploratoryͰͷ࡞ۀ͸શͯಠཱͨ͠ΦʔϓϯιʔεͷR؀ڥͰ࠶ݱ͕Մೳ • ࢥߟྗͱεΩϧͷशಘ σʔλαΠΤϯεͷεΩϧशಘ͚ͩͰͳ͘ɺσʔλ෼ੳʹඞཁͳࢥߟྗ΋शಘͰ͖Δ ಛ௃
139. ࿈བྷઌ ϝʔϧ kan@exploratory.io ΢ΣϒαΠτ https://ja.exploratory.io ϒʔτΩϟϯϓɾτϨʔχϯά https://ja.exploratory.io/training-jp Twitter @KanAugust
140. Q & A