Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Exploratoryセミナー:Prophetアルゴリズムを使った時系列予測
Search
Kan Nishida
November 26, 2018
Technology
0
4.4k
Exploratoryセミナー:Prophetアルゴリズムを使った時系列予測
Facebookのデータサイエンティスト達によってオープンソースとして公開されたProphetという時系列予測のアルゴリズムを、 Exploratoryのアナリティクス・ビューを使って紹介します。
Kan Nishida
November 26, 2018
Tweet
Share
More Decks by Kan Nishida
See All by Kan Nishida
Seminar #52 - Introduction to Exploratory Server
kanaugust
0
330
Exploratory セミナー #61 政府のオープンデータ e-Statの活用
kanaugust
0
1.1k
Exploratory セミナー #60 時系列データの加工、可視化、分析手法の紹介
kanaugust
0
1.1k
Seminar #51 - Machine Learning - How Variable Importance Works
kanaugust
0
660
Exploratory セミナー #59 テキストデータの加工
kanaugust
0
680
Seminar #50 - Salesforce Data, Clean, Visualize, Analyze, & Dashboard
kanaugust
1
390
Exploratory セミナー #58 Exploratory x Salesforce
kanaugust
0
350
Exploratory Seminar #49 - Introduction to Dashboard Cycle with Exploratory
kanaugust
0
380
Seminar #48 - Introduction to Exploratory v6.6
kanaugust
0
350
Other Decks in Technology
See All in Technology
ZOZOマッチのアーキテクチャと技術構成
zozotech
PRO
2
1.1k
進捗
ydah
2
230
AI エージェントとはそもそも何か? - 技術背景から Amazon Bedrock AgentCore での実装まで- / AI Agent Unicorn Day 2025
hariby
2
520
Webアクセシビリティ入門
recruitengineers
PRO
3
1.5k
AWS環境のリソース調査を Claude Code で効率化 / aws investigate with cc devio2025
masahirokawahara
2
1k
退屈なことはDevinにやらせよう〜〜Devin APIを使ったVisual Regression Testの自動追加〜
kawamataryo
4
1.1k
ヘブンバーンズレッドにおける、世界観を活かしたミニゲーム企画の作り方
gree_tech
PRO
0
430
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
30k
エラーとアクセシビリティ
schktjm
0
230
衝突して強くなる! BLUE GIANTと アジャイルチームの共通点とは ― いきいきと活気に満ちたグルーヴあるチームを作るコツ ― / BLUE GIANT and Agile Teams
naitosatoshi
0
290
生成AI時代のデータ基盤設計〜ペースレイヤリングで実現する高速開発と持続性〜 / Levtech Meetup_Session_2
sansan_randd
1
110
Oracle Cloud Infrastructure:2025年8月度サービス・アップデート
oracle4engineer
PRO
0
170
Featured
See All Featured
YesSQL, Process and Tooling at Scale
rocio
173
14k
Facilitating Awesome Meetings
lara
55
6.5k
10 Git Anti Patterns You Should be Aware of
lemiorhan
PRO
656
61k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
110
20k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
185
54k
Product Roadmaps are Hard
iamctodd
PRO
54
11k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.4k
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
7
830
RailsConf 2023
tenderlove
30
1.2k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
248
1.3M
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
131
19k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
139
34k
Transcript
EXPLORATORY
2 εϐʔΧʔ ా צҰ CEO EXPLORATORY ུྺ ถΦϥΫϧຊࣾͰɺ16ʹΘͨΓσʔλαΠΤϯεͷ։ൃνʔϜΛ ͍ɺػցֶशɺϏοάɾσʔλɺϏδωεɾΠϯςϦδΣϯεɺσʔ λϕʔεʹؔ͢Δଟ͘ͷΛੈʹૹΓग़͢ɻ
2016ॳ಄ʹɺΦʔϓϯιʔεͷੈքͰى͖͍ͯΔσʔλαΠΤϯε ͷֵ৽తͳਐาΛɺੈքͷ99%ͷϓϩάϥϛϯάΛ͠ͳ͍ਓͨͪͷ ͱಧ͚͍ͨͱ͍͏ࢥ͍ͷͱɺExploratory, Inc Λ্ཱͪ͛Δɻ ݱࡏExploratory, Inc.ͰCEOΛΊΔ͔ͨΘΒɺσʔλαΠΤϯεɾ ϒʔτΩϟϯϓɾτϨʔχϯάͳͲΛ௨ͯ͠γϦίϯόϨʔͰߦΘΕ ͍ͯΔ࠷ઌͷσʔλαΠΤϯεͷීٴͱڭҭʹऔΓΉɻ @KanAugust
Vision ͯ͢ͷਓ͕σʔλΛͬͯ ΑΓΑ͍ҙࢥܾఆΛ͢Δ
Mission ΞφϦςΟΫεͷຽओԽ
5 σʔλ αΠΤϯςΟετ ϓϩάϥϚʔ ͦͷଞͯ͢ͷਓୡ γϦίϯόϨʔ
6 ϓϩάϥϚʔ ͦͷଞͯ͢ͷਓୡ γϦίϯόϨʔͷ֎ DS
7 ෆެฏͳઓ͍
8 ୈ̏ͷ σʔλαΠΤϯεɺAIɺػցֶश౷ܭֶऀɺ։ൃऀͷͨΊ͚ͩͷͷͰ͋Γ·ͤΜɻ σʔλʹڵຯͷ͋ΔਓͳΒ୭͕ੈքͰ࠷ઌͷΞϧΰϦζϜΛͬͯ ϏδωεσʔλΛ؆୯ʹੳͰ͖Δ͖Ͱ͢ɻ Exploratory͕ͦ͏ͨ͠ੈքΛՄೳʹ͠·͢ɻ
ୈ1ͷ ୈ̎ͷ ୈ̏ͷ ϓϥΠϕʔτ(ߴ͍/ݹ͍) Φʔϓϯɾιʔε(ແྉ/࠷ઌ) UI & ϓϩάϥϛϯά ϓϩάϥϛϯά 2016
2000 1976 ϚωλΠθʔγϣϯ ίϞσΟςΟԽ ຽओԽ ౷ܭֶऀ σʔλαΠΤϯςΟετ Exploratory ΞϧΰϦζϜ Ϣʔβʔɾ ମݧ πʔϧ Φʔϓϯɾιʔε(ແྉ/࠷ઌ) UI & ࣗಈԽ ϏδωεɾϢʔβʔ ςʔϚ σʔλαΠΤϯεͷຽओԽ
質問 σʔλαΠΤϯεɾϫʔΫϑϩʔ 伝える データアクセス 加⼯ 可視化 機械学習・AI 統計 ϓϩάϥϛϯά
質問 ExploratoryͰ؆୯ʹͰ͖ΔλεΫ 伝える データアクセス 加⼯ 可視化 UI 機械学習/AI・ 統計
質問 伝える データアクセス 加⼯ 可視化 機械学習/AI・ 統計
࣌ܥྻ༧ଌ with Prophet
࣌ܥྻ༧ଌ • ڭࢣ͋ΓֶशͷҰछɻ • աڈͷσʔλΛτϨʔχϯάσʔλͱͯ͠ɺ͔ΒΛ༧ଌ͢Δ ϞσϧΛͭ͘Δɻ • ͦ͜ʹະདྷͷΛೖྗ͢Δ͜ͱʹΑΓɺະདྷͷͰͷΛ༧ଌ ͢Δɻ 14
15 • Facebook͕Φʔϓϯιʔε͍ͯ͠Δ࣌ܥྻ༧ଌΞϧΰϦζϜɻ • ౷ܭɺ࣌ܥྻ༧ଌͷઐ͕ࣝͳͯ͑͘ΔΑ͏ʹઃܭ͞Ε͍ͯΔɻ Prophet
16 աڈNͷσʔλ͔Βɺ࣍ͷͷΛ༧ଌ͢ΔϞσϧΛ࡞͢Δɻ ࣌ܥྻ༧ଌ - ౷తͳΞϓϩʔν Day 1 Day 2 Day
3 Day 4 Day 2 Day 3 Day 4 Day 5 Day 3 Day 4 Day 5 Day 6
17 • σʔλؒͷִ࣌ؒؒσʔλΛ௨ͯ͠ҰఆͰ͋Δඞཁ͕͋Δɻ • ͕NAͱͳΔ͕͋ͬͯͳΒͳ͍ɻ • ෳͷपظੑ (िͱ) Λಉ࣌ʹѻ͏ͷ͍͠ɻ •
ύϥϝʔλͷઃఆʹɺઐతͳ͕ࣝඞཁɻ ౷తͳΞϓϩʔνͰͷ࣌ܥྻ༧ଌͷ
18 • ҎԼͷཁૉͷͱͯ͠ද͢͜ͱͷͰ͖ΔΒ͔ͳۂઢͷ͏ͪɺաڈσʔλ ʹ࠷ϑΟοτ͢ΔͷΛ୳͢ɻͦͷۂઢΛະདྷʹԆ͢Δ͜ͱʹΑͬͯ༧ ଌ͢Δɻ • େہతͳτϨϯυ • पظͷقઅੑ(Seasonality )
• िपظͷقઅੑ(༵ʹΑΔӨڹ) • ॕޮՌ - ΫϦεϚε, ৽,ΈͲΓͷ, etc. ProphetʹΑΔ࣌ܥྻ༧ଌ
19 େہతͳτϨϯυ
20 पظͷقઅੑ
21 τϨϯυ + पظੑ
22 िपظͷมಈ
23 τϨϯυ + पظੑ + िपظੑ
24 τϨϯυ + पظੑ + िपظੑ
25 ॕޮՌ
26 τϨϯυ + पظੑ + िपظੑ + ॕޮՌ
27 • ࣌ؒͷൃలΛϞσϧͰදݱ͢Δ͜ͱ͖͋ΒΊΔɻ • ͔ΘΓʹɺ୯ʹۂઢΛݟ͚ͭΔͱ͍͏ʹ͢Δ͜ͱʹΑͬͯҎԼͷΑ͏ͳ རΛಘ͍ͯΔɻ • σʔλؒͷִ͕࣌ؒؒҰఆͰ͋Δඞཁͳ͍ɻ • ͕NAͱͳΔ͕͋ͬͯͳ͍ɻ
• ෳͷपظੑ (िͱ) ͕σϑΥϧτͰߟྀ͞ΕΔɻ • σϑΥϧτͷઃఆͰͦΕͳΓͷ༧ଌ͕Ͱ͖ΔɻઃఆՄೳͳύϥϝʔλͷଟ ͘ઐࣝແ͠ͰཧղՄೳɻ ProphetͷΞϓϩʔνͷར
ྫɿΞφϦςΟΫεɾϏϡʔʹΑΔ࣌ܥྻ༧ଌ ηʔϧεσʔλ (Global_Sales.xls) 28
ͦͷલʹϥΠϯνϟʔτͰՄࢹԽͯ͠ΈΔ 29
࣌ܥྻ༧ଌΞφϦςΟΫεɾϏϡʔΛબ 30
• /࣌ؒͷྻʹOrder DateΛ࣌ؒ୯ҐΛ WEEKͱׂͯ͠ΓͯΔɻ • ͷྻʹSalesΛɺؔΛSUM(߹ܭ)ͱͯ͠ ׂΓͯΔɻ • ̍ؒͷ༧ଌΛ͢ΔͨΊʹɺ༧ଌظؒΛ 52िʹઃఆ͢ΔɻϓϩύςΟϦϯΫΛΫ
ϦοΫ͢Δͱ։͘ɺΞφϦςΟΫεɾϓϩ ύςΟμΠΞϩάͰઃఆ͢Δɻ ༧ଌΛ࣮ߦ 31
࣮ߦϘλϯΛΫϦοΫ͢Δͱ༧ଌ͞Εͨσʔλ͕ΦϨϯδ৭ͷϥΠϯͰදࣔ͞ΕΔɻ 32 ΦϨϯδ৭ͷઢ͚ͩͷ۠ؒࠓޙ1ؒͷ༧ଌΛද͢ɻ ୶͍ΦϨϯδ৭༧ଌͷෆ֬ఆ۠ؒ(uncertainty interval)Λද͢ɻ
33 τϨϯυ λϒΛΫϦοΫ͢ΔͱτϨϯυϥΠϯͷೖͬͨνϟʔτ͕දࣔ͞ΕΔ ΦϨϯδͷઢ͕τϨϯυϥΠϯ
34 ͷɺτϨϯυʹมԽ͕͋ͬͨ࣌ʢνΣϯδϙΠϯτʣΛද͢ɻ ͷߴ͞ɺνΣϯδϙΠϯτͰͷτϨϯυϥΠϯͷ͖ͷมԽྔɻ
35 पظλϒΛΫϦοΫ͢Δͱपظͷνϟʔτ͕දࣔ͞ΕΔ
36 िपظΛݟΔͨΊʹɺ࣌ؒ୯ҐΛʹมߋ࣮ͯ͠ߦ͢͠ɻ
37 िपظλϒΛΫϦοΫ͢Δͱिपظͷνϟʔτ͕දࣔ͞ΕΔ
38 σʔλλϒΛΫϦοΫ͢Δͱ༧ଌ͖ͷσʔλ͕දࣔ͞ΕΔ
• forecasted_value - ༧ଌ • forecasted_value_high/forecasted_value_low - ෆ֬ఆ۠ؒ • trend
- େہతͳτϨϯυ • yearly - पظͷτϨϯυ • weekly - िपظͷτϨϯυ 39 ༧ଌ͖ͷσʔλ
Your Turn! 40
41 • ηʔϧεσʔλɿGlobal_Sales.xls • 20161݄1͔ΒҰؒͷߪങސ٬Λि୯ҐͰ༧ଌ͢Δɻ • ಉ͡༧ଌΛɺ֤Ҭ(Market)͝ͱʹߦ͏ɻ
• /࣌ؒͷྻʹOrder DateΛ࣌ؒ୯Ґ ΛWEEKͱׂͯ͠ΓͯΔɻ • ͷྻʹCustomer IDΛɺؔΛ UNIQ(Ұҙͳͷ)ͱׂͯ͠Γͯ Δɻ •
̍ؒͷ༧ଌΛ͢ΔͨΊʹɺ༧ଌظؒ Λ52िʹઃఆ͢Δɻ ༧ଌͷͨΊͷઃఆ 42
43 ߪങސ٬ͷ༧ଌ݁Ռ
44 ߪങސ٬ͷτϨϯυ 2014͔Β 2015ͷ࢝·Γ ʹ͔͚ͯɺ τϨϯυ্͕ ͖ʹमਖ਼͞Εͯ ͍Δͷ͕ݟͯऔ ΕΔɻ
45 ߪങސ٬ͷपظτϨϯυ पظͰ܁Γฦ ͢τϨϯυͱ͠ ͯɺ6݄,9݄,11 ݄,12݄ʹϐʔΫ ͕͋Δ͜ͱ͕ݟ ͯऔΕΔɻ
܁Γฦ͠ʹMarketྻΛׂΓͯΔɻ Ҭ͝ͱͷ༧ଌͷͨΊͷઃఆ 46
47 Ҭผͷߪങސ٬ͷ༧ଌ݁Ռ ֤Ҭ͝ͱʹɺपظͷτ ϨϯυͱτϨϯυΛ ͱʹɺ2016ͷߪങސ٬ ͕༧ଌ͞Εͨɻ
48 Ҭผͷߪങސ٬ͷ༧ଌ݁Ռ
49 Ҭผͷߪങސ٬ͷτϨϯυ • ֤ҬͰɺҟͳΔ࣌ظʹɺτϨϯυ ʹमਖ਼͕͋ͬͨ͜ͱ͕͔Δɻ • ྫ͑ɺΞδΞଠฏ༸ҬͰɺ2013 11݄͔Β20153݄ʹ͔͚ͯɺτϨϯ υ্͕ํमਖ਼͞Ε͍ͯΔͷ͕ݟͯऔΕΔɻ
50 Ҭผͷߪങސ٬ͷपظτϨϯυ άϩʔόϧͰݟΒΕͨ6্݄० ͷϐʔΫɺΞϑϦΧɺΞδΞ ଠฏ༸ҬɺϤʔϩούɺϥς ϯΞϝϦΧͰݟΒΕΔ͕ɺ USɺΧφμͰݟΒΕͳ͍ɻ
51 Ҭผͷߪങސ٬ͷपظτϨϯυ USɺΧφμͰ11݄த० ʹ࠷େͷϐʔΫ͕͋Δ͜ ͱ͕ݟͯऔΕΔɻ
52 ΞυόϯεɾτϐοΫ
53 ॕޮՌ
54 • Ҏ֎͕ॕͰٳΈʹͳΔͱ͖ɺ٬ɺചΓ্͛ͳͲʹӨ ڹ͕͋ΔͷͰͳ͍͔ʁ • ٳΈʹݶΒͣɺίϯαʔτɺਓؾεϙʔπͷࢼ߹ͳͲɺਓ͕ू ·ΔΠϕϯτ͕͋ΔͳͲ༧ଌʹӨڹ͕͋ΔͷͰͳ͍͔ʁ ͜ΕΒͷޮՌΛߟྀͨ͠༧ଌΛ͢Δ͜ͱ͕Ͱ͖Δɻ ॕޮՌ
55 Wikipediaϖʔδ”Apple Worldwide Developers Conference” (WWDC)ͷΞΫηεσʔλ wwdc_wikipedia.csv σʔλ
56 Apple Worldwide Developers Conference (WWDC)ͷ։࠵ͷσʔλ wwdc_days.csv σʔλ WWDCͷԿ͔
57 Apple Worldwide Developers Conference (WWDC)ͷ։࠵ͷσʔλ wwdc_days.csv σʔλ དྷͷ։࠵
• /࣌ؒͷ୯ҐΛ(DAY)ʹઃఆ • ༧ଌظؒΛ365ʹઃఆ ҰͷΞΫηεΛॕใͳ͠Ͱ༧ଌ 58
59 • աڈͷσʔλʹɺӶ͍ϐʔΫ ͕͋Δ͕ɺ͜ΕWWDCͷ։࠵ ظؒɻ • ༧ଌʹɺ͜Ε͕࠶ݱͰ͖͍ͯ ͳ͍ɻ ҰͷΞΫηεΛॕใͳ͠Ͱ༧ଌ
• WWDC։࠵ͷใΛɺશ֎෦݁ ߹(Full Join)ͰɺσʔλϑϨʔϜʹ Ճ͢Δɻ • શ֎෦݁߹ΛબͿͷɺདྷͷ։ ࠵ͷใ͖͍࣋ͬͯͨͨΊɻ WWDC։࠵ͷใΛՃ 60
WWDC։࠵ͷใ(holidayྻ)͕Ճ͞Εͨɻ 61
ॕใͷྻʹɺholidayྻΛࢦఆɻ ॕใͷྻʹWWDC։࠵ͷใΛࢦఆ 62
WWDC։࠵ظؒͷӶ͍ϐʔΫ͕ ࠶ݱ͞Εͨ༧ଌ͕Ͱ͖͍ͯΔɻ WWDC։࠵ͷޮՌΛߟྀͯ͠ΞΫηεΛ༧ଌ 63
64
65 WWDC։࠵ͷॕޮՌΛ֬ೝ • ॕλϒͰɺॕޮՌΛ֬ೝɻ • ͷϥΠϯ͕ॕޮՌɻ
66 WWDC։࠵ͷॕޮՌΛ֬ೝ
67 ༧ଌϞσϧͷධՁ
68 • աڈσʔλͷ͏ͪɺ৽͍͠ظؒΛςετ༻ʹͱ͓ͬͯ͘ɻ • ςετظؒͷσʔλΛɺͦΕΑΓҎલͷσʔλΛͬͯ༧ଌ͢Δ • ༧ଌσʔλͱɺ࣮ࡍͷςετظؒͷσʔλΛൺֱධՁ͢Δɻ όοΫςετ
69 • ͷྻΛSalesͷSUMʢ߹ܭʣʹ ͢ɻ • ܁Γฦ͠ͷࢦఆΛແ͠ʹ͢ɻ • ςετϞʔυΛTRUEʹΓସ͑ Δɻ ςετϞʔυʹΓସ͑Δ
70 • ·ͨɺʑͷมಈΑΓେہΛݟΔͨΊ ʹɺࠓճ࣌ؒͷ୯Ґʹ݄(MON)Λࢦఆ ͢Δɻ • σʔλதͷ࠷ޙͷҰΛ༧ଌͷධՁʹ ͏ͨΊɺ୯Ґ͕݄ͳͷͰ12Λ༧ଌظؒ ʹࢦఆ͢Δɻ
ςετϞʔυͰͷ༧ଌ݁Ռͷݟ͔ͨ 71
࣮σʔλ2ͭʹׂ͞Ε͍ͯΔɻ ࠨଆͷ੨͍ઢτϨʔχϯάσʔλɺӈଆͷਫ৭ͷઢςετσʔλɻ 72
73 ੨৭ͷઢ͕τϨʔχϯάσʔλɻ ͜ͷൣғͷσʔλΛͱʹɺ༧ଌϞσϧ͕࡞ΒΕΔɻ
ਫ৭ͷઢςετσʔλɻ ͜ͷൣғͷσʔλΛͱʹɺ༧ଌϞσϧͷධՁ͕ߦΘΕΔɻ 74
ΦϨϯδͷઢ͕ɺτϨʔχϯάσʔλΛݩʹ࡞ΒΕͨϞ σϧʹΑΔ༧ଌσʔλɻ 75
͜ͷൣғͷσʔλΛͱʹ༧ଌϞσϧ͕࡞ΒΕ͍ͯΔͨΊɺ ͜ͷൣғͷ࣮σʔλͱϞσϧʹΑΔ༧ଌσʔλ͔ͳΓҰக͍ͯ͠Δɻ 76
͜ͷൣғͷσʔλɺ༧ଌϞσϧͷ࡞ʹ༻͞Ε͍ͯͳ͍ͨΊ ͜ͷൣғϞσϧʹͱͬͯະͷσʔλͱɺͦͷ༧ଌͷൺֱʹͳ͍ͬͯΔɻ 77
• Prophetɺաڈͷ௨ͷύ λʔϯͱɺτϨϯυͷΈ ͔Β༧ଌ͍ͯ͠ΔͷͰɺͦ͜ ͔ΒͷζϨɺʮྫͲ͓Γ ʹͨ͠߹ͱൺͯͲ͏ ͔ͩͬͨʯΛධՁ͢Δ͜ͱʹ ར༻Ͱ͖Δɻ • 2015ɺྫͱൺΔͱ̎
݄ʹམͪࠐΈ͕͋Γɺ11݄ ༧ଌΛ࠷େ্͖͘ճ͍ͬͯ Δ͜ͱ͕ݟͯऔΕΔɻ ςετϞʔυͰͷ༧ଌ݁Ռͷදࣔ 78
ςετ݁ՌͷαϚϦ 79
80 • RMSE (Root Mean Square Error) : ༧ଌ͔ΒͷͣΕͷೋͷฏۉͷϧʔτ •
MAE (Mean Absolute Error) : ༧ଌ͔ΒͷͣΕͷઈରͷฏۉ • MAPE (Mean Absolute Percentage Error) : ύʔηϯτͰදͨ͠༧ଌ͔Βͷ ͣΕͷઈରͷฏۉ • MASE (Mean Absolute Scaled Error) : MAEΛɺτϨʔχϯάσʔλͰͷφ Πʔϒ༧ଌʢҰͭલͷظͱಉ͕͡ݱΕΔͰ͋Ζ͏ͱ͍͏୯७ͳ༧ଌʣ ͷMAEͰׂͬͨͷɻ ࣌ܥྻ༧ଌͷධՁࢦඪ
͜ΕΒͷධՁࢦඪɺ༧ଌσʔλͱ࣮ଌͷζϨɺ ͭ·Γ͜ͷൣғ͔Βࢉग़͞ΕΔɻ 81
֤ࢦඪͷҙຯΛɺ͜ͷൣғͷσʔλΛྫʹ্͛ͯઆ໌͢Δɻ 82
Rootʢฏํࠜʣ Meanʢฏۉʣ Squareʢ2ʣ Errorʢޡࠩʣ ͭ·Γɺ࣮ଌͱ༧ଌͷޡࠩ Λ2ͯ͠ɺͦͷฏۉΛͱΓɺͦ ͷͷฏํࠜΛͱͬͨͷ͜ͱɻ 83 RMSE (Root
Mean Square Error)
22 + 22 + 22 + 42 4
(ͷ) 4 + 4 + 4 + 16 4 7 = 2.65 84 RMSE (Root Mean Square Error) 2 2 4 2 = = ྫ͑ɺ࣮ଌͱ༧ଌͷޡ͕ࠩͦΕ ͧΕ2, 2, 2, 4ͩͬͨͱ͢Δͱɺܭࢉ ҎԼͷΑ͏ʹͳΔɻ
Meanʢฏۉʣ Absoluteʢઈରʣ Errorʢޡࠩʣ ͭ·Γɺ࣮ଌͱ༧ଌͷޡࠩ ͷઈରͷฏۉ͜ͱɻ 85 MAE (Mean Absolute Error)
2 + 2 + 2 + 4 4
(ͷ) 86 ྫ͑ɺ࣮ଌͱ༧ଌͷޡ͕ࠩ ͦΕͧΕ2, 2, 2, 4ͩͬͨͱ͢Δͱɺ ܭࢉҎԼͷΑ͏ʹͳΔɻ = 2.5 MAE (Mean Absolute Error) 2 2 4 2
Meanʢฏۉʣ Absoluteʢઈରʣ Percentageʢׂ߹ʣ Errorʢޡࠩʣ ͭ·Γɺ࣮ଌͱ༧ଌͷޡࠩ ͷׂ߹ͷઈରͷฏۉ͜ͱɻ 87 MAPE (Mean Absolute
Percentage Error)
88 12 13 16 11 ·ͣɺ࣮ଌΛͱΊΔɻ MAPE (Mean Absolute Percentage
Error)
89 ࣍ʹɺ࣮ଌͱ༧ଌͷޡࠩ ΛͱΊΔɻ MAPE (Mean Absolute Percentage Error) 2 2
4 2
90 ࣮ଌͱ༧ଌͷޡࠩΛ࣮ଌͰ ׂͬͯ100Λ͔͚ɺͦΕͧΕͷ ύʔηϯςʔδΛͱΊΔɻ ࣈ͕ϚΠφεͷ߹ɺϚΠφε ͷූ߸ΛͱΔ (ઈର). MAPE (Mean Absolute
Percentage Error) 16.6% 15.4% 25% 18.2%
16.6 + 15.4 + 18.2 + 25 4
(ͷ) 91 ࠷ޙʹɺ͜ΕΒͷͷฏۉΛग़͢ɻ = 18.8% MAPE (Mean Absolute Percentage Error) 16.6% 15.4% 25% 18.2%
• ൺֱର͕ͳ͍ͱɺੑೳΛධՁͮ͠Β͍ͷͰɺ Ҭผʹ༧ଌͯ͠ΈΔɻ • ςετϞʔυͷ··ɺ܁Γฦ͠ʹMarketྻΛࢦ ఆ͢Δɻ Ҭผʹ༧ଌͯ͠ɺ༧ଌੑೳΛൺֱͯ͠ΈΔ 92
Ҭผʹ༧ଌͯ͠ɺ༧ଌੑೳΛൺֱͯ͠ΈΔ 93
Ҭผʹ༧ଌͯ͠ɺ༧ଌੑೳΛൺֱͯ͠ΈΔ 94
95 Ҭผʹ͚ͯΈΔͱɺάϩʔόϧͰͷ2݄ ͷചΓ্͛ͷམͪࠐΈϥςϯɾΞϝϦΧ (LATAM)͔Βདྷ͍ͯͨ͜ͱ͕͔Δɻ 2݄
96 ·ͨɺάϩʔόϧͰͷ11݄ͷ༧Ҏ ্ͷചΓ্͛ΞδΞଠฏ༸Ҭͱ ϥςϯɾΞϝϦΧ͔Βདྷ͍ͯͨ͜ͱ ͕͔Δɻ 11݄ 11݄
97 • ·ͨɺϤʔϩούͷཱ݄̔ͬͯ༧ଌ Λ্ճ͍ͬͯΔɻ • ͜ΕΒͷҬͰͦͷ࣌ʹԿ͕ى͖͍ͯͨ ͷ͔ΛௐΔ͜ͱɺԿ͕ചΓ্͛ʹӨ ڹ͢Δͷ͔ͱ͍͏͍ɺͻ͍ͯ࣍ʹͱ ΔࢪࡦͷώϯτʹͳΔ͔͠Εͳ͍ɻ 8݄
• RMSE, MAEͰݟΔͱɺAfricaͷ΄͏͕Asia PacificΑΓ༧ଌͱ࣮ଌͷ͕ࠩখ ͍͜͞ͱ͕͔Δɻ • ͜ΕΛͬͯɺAfricaͷํ͕Α͘༧ଌͰ͖͍ͯΔͱݴ͑ΔͩΖ͏͔ʁ Ϟσϧͷ༧ଌੑೳͷαϚϦͷදࣔ 98
• Asia Pacificͷํ͕AfricaΑΓച্ֹ͕େ͖͍ͷͰɺRMSE, MAE͕େ͖͘ͳΔͷ ͨΓલͱݴ͑Δɻ • ͷεέʔϧʹ͕ࠩ͋Δͱ͖ɺRMSEɺMAEʹΑΔ༧ଌੑೳͷൺֱҙຯΛ ͳ͞ͳ͍ɻ Ϟσϧͷ༧ଌੑೳͷαϚϦͷදࣔ 99
• MAPEɺ༧ଌͱ࣮ଌͷࠩΛɺ࣮ଌͷύʔηϯτͰදͨ͠ͷͰ͢ɻ • ࣮ଌͷͱͱͷେ͖͞ʹؔͳ͘༧ଌੑೳͷൺֱ͕Ͱ͖Δɻ • RMSE, MAEͷେ͖͔ͬͨAsia Pacificͷ΄͏͕ɺMAPEΑΓখ͘͞ɺ࣮ AfricaΑΓΑ͍༧ଌ͕Ͱ͖͍ͯͨ͜ͱ͕͔Δɻ Ϟσϧͷ༧ଌੑೳͷαϚϦͷදࣔ
100
• MASEɺ༧ଌͱ࣮ଌͷࠩΛɺτϨʔχϯάσʔλͷφΠʔϒ༧ଌͷ݁ՌͱͷൺͰදͨ͠ͷɻ • MAPEಉ༷ɺ࣮ଌͷͱͱͷେ͖͞ʹؔͳ͘༧ଌੑೳͷൺֱ͕Ͱ͖Δɻ • MAPEɺ͕0Λ·͍ͨͩΓɺ0ʹۙ͘ͳΔͱ͖ෆ҆ఆʹͳΓ·͕͢ɺMASEʹ͜ͷͳ͍ɻ • MASEͰݟͯɺRMSE, MAEͷେ͖͔ͬͨAsia Pacificͷ΄͏͕ɺ࣮ΑΓΑ͍༧ଌ͕Ͱ͖͍ͯͨ͜ͱ͕
͔Δɻ Ϟσϧͷ༧ଌੑೳͷαϚϦͷදࣔ 101
102 ΩϟύγςΟ - ্ݶɾԼݶ
103 ݱ࣮తʹୡՄೳͳࣈʹ্ݶɺԼݶ͕͋Δ߹͕͋Δɻ • ίϯόʔγϣϯɺΩϟϯηϧ100ˋΛ͑Δ͜ͱͳ͍ɻ • ΞΫηε̌ΑΓԼʹͳΔ͜ͱͳ͍ɻ ͜ΕΒͷݶքΛߟྀͨ͠༧ଌΛ͢Δ͜ͱ͕Ͱ͖Δɻ ΩϟύγςΟ
্ݶɾԼݶΛઃఆ͢Δ͜ͱ͕Ͱ͖Δ 104
• ্ݶɾԼݶ͕ࢦఆ͞ΕΔͱɺτ ϨϯυϥΠϯɺઢͷΘΓ ʹɺࢦఆ͞Ε্ͨݶɾԼݶΛ࣋ ͭϩδεςΟοΫۂઢͱͳΔɻ • ઢͷͱ͖ͱಉ༷ʹɺ͜ͷτϨ ϯυϥΠϯʹपظɺिपظͳ ͲͷมಈΛՃ͑ͨͷ͕༧ ଌͱͳΔɻ
্ݶɺԼݶΛࢦఆͨ͠߹ͷτϨϯυϥΠϯ 105
• ઢτϨϯυͷ࣌ͱಉ͡Α͏ʹɺ ϩδεςΟοΫۂઢτϨϯυͷ ࣌ɺϩδεςΟοΫۂઢͷ্ ঢʹमਖ਼͕Ճ͑ΒΕ͕ͨνΣ ϯδϙΠϯτͱͳΔɻ • Ճ͑ΒΕͨमਖ਼ͷେ͖͕͞ͷ όʔͰද͞Ε͍ͯΔɻ ্ݶɺԼݶΛࢦఆͨ͠߹ͷνΣϯδϙΠϯτ
106