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
儲かるPython
Search
OHNO
February 21, 2021
Programming
0
230
儲かるPython
OHNO
February 21, 2021
Tweet
Share
More Decks by OHNO
See All by OHNO
生成系AIで自データを扱うには
planeta
0
200
外観検査の難しさ
planeta
0
480
画像処理ライブラリOpenCVの使い方0910
planeta
0
1.4k
Pythonによる工業用カメラ画像取得事例
planeta
0
1.3k
画像処理ライブラリOpenCVの使い方
planeta
0
960
SONYのNNC
planeta
0
560
機械学習による動作認識
planeta
0
720
画像類似度計算
planeta
0
1.9k
Tensorflow/Keras(Python)で作ったモデルをC++で使う
planeta
0
2.3k
Other Decks in Programming
See All in Programming
Enterprise Web App. Development (1): Build Tool Training Ver. 5
knakagawa
1
120
The Nature of Complexity in John Ousterhout’s Philosophy of Software Design
philipschwarz
PRO
0
150
ウォンテッドリーの「ココロオドル」モバイル開発 / Wantedly's "kokoro odoru" mobile development
kubode
1
220
Ruby's Line Breaks
yui_knk
3
2k
Amazon CloudWatchの地味だけど強力な機能紹介!
itotsum
0
190
一緒に働きたくなるプログラマの思想 #QiitaConference
mu_zaru
77
19k
Thank you <💅>, What's the Next?
ahoxa
1
570
AI時代の開発者評価について
ayumuu
0
220
Being an ethical software engineer
xgouchet
PRO
0
220
大LLM時代にこの先生きのこるには-ITエンジニア編
fumiyakume
7
3.2k
State of Namespace
tagomoris
5
2.2k
Qiita Bash
mercury_dev0517
2
220
Featured
See All Featured
Code Review Best Practice
trishagee
67
18k
Making Projects Easy
brettharned
116
6.1k
Bash Introduction
62gerente
611
210k
Optimizing for Happiness
mojombo
378
70k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
120k
Side Projects
sachag
453
42k
Building Better People: How to give real-time feedback that sticks.
wjessup
367
19k
Why Our Code Smells
bkeepers
PRO
336
57k
Typedesign – Prime Four
hannesfritz
41
2.6k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.6k
Designing for humans not robots
tammielis
253
25k
A Tale of Four Properties
chriscoyier
158
23k
Transcript
儲かるPython ~時系列データの予測 と売り上げの予測~ 2021/2/20 Python機械学習勉強会 in 新潟 #12 大野 宏
概要 ・以前、時系列データの予測を使い、電力消費量の予測を 紹介した。 ・今回、加熱に要するエネルギー削減を目的に、ある装置 を加熱する時の温度を予測した。 ・製造業(食品製造業も対象)における売り上げを予測し、 生産計画の立案に役立てる。
時系列データの予測 ・ある装置の温度を予測し、加熱に使用するエネルギー使 用量を削減したい。 ・月曜日9時にある装置が所定の温度になるよう、前日に ヒータで加熱を始めているが、早めに所定の温度に達し、 エネルギーが無駄になっている。 ・1年分のデータを使い再帰型ニューラルネットワークで温 度を予測し、良い結果が得られた。実装はこれから。
売り上げを上げるために事前に予測 ・分類問題として考える 営業データから成約予測モデルを作り、成約ありかなし か予測する。成約が上がるよう、営業対象を絞り込む。 ・各種データから売り上げを予測(回帰) 自転車レンタル数を、天候、季節、温度、曜日などの条 件から予測する。 ・季節などの周期性から売り上げを予測(時系列分析) 過去の値を基に未来の値を予測する。 ・回帰+時系列分析でさらなる向上
予測モデル ・営業成約予測モデル ・予測モデル(回帰) ・過去の値を基に未来の値を予測(時系列分析) 季節 年 曜日 ・・ 天気 湿度
風速 モデル 自転車利用数 年齢 職業 ・・ 連絡回数 連絡日数 モデル 成約あり 制約なし 過去の自転車 利用数 モデル 未来の自転車 利用数
類似事例としてのAIタクシー ・過去のタクシーの昇降データ等を学習させ、顧客がいる エリアを予想する。 ・タクシー会社の昇降データ、携帯電話会社の人の分布 データ、曜日、時間、天候 多くのタクシーが一斉 に使ったらどうなる? 6
類似事例としての売り上げ予測 ・伊勢神宮前の「ゑびや」(食堂とお土産屋)がAIで売り上 げを予測 → 新会社を設立してツールを販売 通行人をカウントしながら年齢・性別の情報も収集 7
参考図書 Pythonで儲かるAIをつくる
回帰 ・レンタル自転車の利用数を予測する ・データはUCIのBike Sharing Dataset ・日付、季節、年、月、祝日、曜日、勤務日(月~金か土 日か)、天気、気温、体感温度、湿度、風速で予測 訓練データ 検証データ
回帰の結果 ・XGBoostRegressor での予測結果の決定係数R2は 0.4206 ・月と季節をOne-hotエンコーディング R2は 0.5099
・決定係数 R2 は、標本値を y 、推定値を f とすると次式で 表される。 ・y と
f が合うと1に、合わないと0になる 決定係数
重要度分析 ・XGBoostRegressor ではplot_importanceで重要度を分析
時系列分析 ・過去の利用数から未来の利用数をFB社Prophetで予測 ・天気、気温、風速、湿度も加味して改善 R2 0.4145 ↓ 0.6196
売り上げ予測のまとめ ・回帰より時系列分析の方が良い結果が得られた ・時系列分析に回帰を加えた方が良い結果が得られた ・時系列分析は、1週間後や1か月後の売り上げも予測 可能