Q&A
学習させる正解は、商品分類ごとの売上高なのか、店舗全体の売上高なのか、どのようなデータでしょうか。
また、各種データはピンポイントで店舗付近のものなのか、一定の商圏のものないし複数の観測エリアの平均のようなものなのか、説明をお願いします。
これから機械学習を試していきたいと考えています。
お詳しい方、アドバイスいただければと思います。
いかに質問をまとめました。
【実現したいこと】
・機械学習において1つの予測モデルの中で、場合により特徴量が有効なケースと
無効なケースがあり、分けて学習させる。
【例題】
・天候による消費行動の予測(百貨店での売上予測)
・特徴量に天気(晴れ、雨、くもり)や降水量(〇mm等)がある
・学習モデルは線形モデルを想定
・「降水量」について「雨」の日には有効な特徴量となるが、晴れの日には機能しない。
→このまま学習させると、晴れの日に降水量0mmが学習され降水量という特徴量が
うまく学習できない。
【代替手段】晴れと雨の日を分けて、2つのモデルを作成する。
アンサンブルとかで最終的に結合
→特徴量が多い場合や、場合分けが多い場合、条件毎にモデルが増えてしまう。
質問ありがとうございます。
まず今回の質問の本質としては、機械学習の習得としており、百貨店の売上予測は、
題材の一つとなります。（ですので百貨店にこだわりがあるわけではありません）
それを踏まえ、以下に回答します。
第一ステップとしては、店舗全体の売上となります。
また、天候データはざっくりとしたデータであり、全国の平均データとなります。
まずは全体傾向を把握したいです。
第二ステップとしては、予測モデルの精度を上げるため、商品分類毎、店舗付近のデータ等もデータ加工方法次第で作成できますので、そちらのデータで検証していきます。
グラフを見ると、晴れの日の売り上げの変動が、雨の日の降水量に伴う変動よりも大きいですよね
それはつまり、天気でも降水量でもない、別のもっと影響が大きな要因があるということなので、それが何か把握して特徴量に入れないと予測精度が上がらないような気がします
回答3件
0
重回帰モデルの分析をお考えのようですから、scikit-learnの LinearRegression()メソッドによるモデルを扱う手法を習得されるとよろしいでしょう。
データの下ごしらえとしては、晴れの日は湿度により降水量の値のマイナス値を当てはめるか、晴れの日の模範データを定めて学習用のデータ数として薄まらないように、重複して適度な個数分学習データに混ぜ込み学習させると、重回帰の線型モデルになるのではないでしょうか。後者の場合は晴れの予想の回帰直線は延長できますが余り有意ではないでしょう。むしろ別の分析による屈折した直線を継ぎ足す方がふさわしいと考えます。
投稿2021/01/02 02:41
総合スコア2285
晴れの日にマイナス値を当てはめるのは新しい考え方でした。試してみます。
あれから質問文に図を追加させていただきました。
屈折した直線継ぎ足しは、多項式での対応だと思いますが、図を見ても決定計数の
改善は難しそうな印象です。
特徴量が、降水量、気温、予報区分(晴、曇り、雨、雪等)、湿度、風速、風向などと多元的になるのですから、求める回帰直線は6次元以上の空間に軌跡を描く直線から推定値を導くことになるでしょう。直線が無理なら、n項の特徴量でモデル化するn-1平面の回帰分析(つまり解がベクトルになる)を進めることになるでしょう。
0
説明変数である「天気」と「降水量」の相関が高いとすると、マルチコが発生する可能性がありますね。
マルチコをを回避するテクニックは色々ありますが、まずは実際に学習させてみて、係数の符号や予測精度を検証することが大事です。
線形回帰モデルであれば、説明変数が目的変数に寄与しているかどうか可視できるので、特徴量から外すことも比較的簡単にできると思います。
投稿2021/01/02 02:10
総合スコア307
0
Python
1if 天気 != 晴れ: 2 降水量の学習
みたいな感じではうまくいきませんか。
投稿2021/01/01 21:08
退会済みユーザー
総合スコア0
頂いた意見のイメージがつかめずすみません。
その場合、天気==晴れの場合と、天気 != 晴れの2つのモデルが出来てしまうイメージでしょうか？
そのような学習をさせているブログ等の情報があると大変イメージしやすいです。
不勉強ですみません。
機械学習と線形モデルについて勉強した上で理解できれば再度、回答させていただきます。
あなたの回答
tips
プレビュー
