数十のパラメータからなる予測モデルの選定について

いつもお世話になっています。

機械学習のアルゴリズムの選定について相談させてください。

機械学習の仕組みを使って、１０個程度のパラメータから、とある結果(A)の確率を予測するというシステムを検討しています。

これらのパラメータは結果（A）への影響が大きいと思われるもの、影響度が不確定なもの、ほとんど影響しないものなどが混在しています。また、結果(A)は発生する確率が非常に低い（3~5%程度)ものを予想しようとしています。

イメージとしては以下の例が近いです。

例) ある人物が翌年病気で死亡する（結果A）確率を３つパラメータから予想する
①血糖値（影響度が大きいと思われるもの）
②職業（影響度が不確定なもの）
③日経平均株価（影響度がほとんどないと思われるもの）

また、発生確率が非常に低いものを予想しようとしているため、結果Aに合致する教師データが十分に用意できていない状況です。（全体のデータ母数が3万件、結果Aが発生するデータが数十〜数百件程度）

上記のような予想をたてる場合、どのようなアルゴリズムを選定すれば良いでしょうか？また、アルゴリズム以外にも便利なAPIなどがあればご教授いただきたく存じます。

行動規範の内容に同意します

回答1件

ベストアンサー

とりあえず、

説明変数が多数(10個ほど)
結果は確立(0～1の値)

ということですので、ロジステック回帰 を試してみたらいかがでしょうか。

Pythonによるロジステック回帰分析は

scikit-learn
statsmodels

などで行うことができます。

ただし

パラメータは結果（A）への影響が大きいと思われるもの、影響度が不確定なもの、ほとんど影響しないものなどが混在しています。

とのことですので、説明変数の取捨選択は必要かと思われます。

投稿2017/06/01 00:53

magichan

総合スコア15898

tmizuma

2017/06/01 08:21

ご回答ありがとうございます！便利なライブラリまでご紹介いただき非常に助かります。これらの10個の説明変数の中には時系列データも存在します。先ほどの例でいえば「血糖値の推移」「日経平均株価」がそれに当たります。時系列データの説明変数と時系列でないデータの説明変数をロジスティック回帰のアルゴリズムにかけることはできるでしょうか？例) ・血糖値の推移 → 時系列データ・職業 → 時系列データではない・日経平均株価 → 時系列データ追加の質問になりますがよろしくお願いいたします。