# ============================================ # トレンド選択: どのモデルが最適か判断する # ============================================ import numpy as np from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score from sklearn.preprocessing import PolynomialFeatures # 実際の売上データ（例） months = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]) sales = np.array([100, 108, 118, 127, 139, 152, 166, 180, 197, 214, 233, 254]) X = months.reshape(-1, 1) # 増加幅と増加率を確認 increases = np.diff(sales) print(f”増加額の傾向: {increases[0]:.0f} → {increases[-1]:.0f}万円”) if increases[-1] > increases[0] * 1.2: print(” → 増加額が拡大 → 指数トレンドの可能性”) # 3種類のトレンドをフィット # 線形トレンド model_linear = LinearRegression() model_linear.fit(X, sales) r2_linear = r2_score(sales, model_linear.predict(X)) # 指数トレンド（対数変換） model_exp = LinearRegression() model_exp.fit(X, np.log(sales)) r2_exp = r2_score(sales, np.exp(model_exp.predict(X))) # 2次多項式 poly = PolynomialFeatures(degree=2) model_poly = LinearRegression() model_poly.fit(poly.fit_transform(X), sales) r2_poly = r2_score(sales, model_poly.predict(poly.transform(X))) print(f”\n【R²の比較】”) print(f”線形: R² = {r2_linear:.4f}”) print(f”指数: R² = {r2_exp:.4f}”) print(f”多項式: R² = {r2_poly:.4f}”) # 最適モデルの判定 results = {‘線形’: r2_linear, ‘指数’: r2_exp, ‘多項式’: r2_poly} best = max(results, key=results.get) print(f”\n【結論】最適: {best}トレンド (R²={results[best]:.4f})”) # ============================================ # 将来予測の実行 # ============================================ future_months = np.array([13, 14, 15]) # 来期3ヶ月 future_X = future_months.reshape(-1, 1) # 指数トレンドで予測（この例では指数が最適） future_pred = np.exp(model_exp.predict(future_X)) print(f”\n【来期の売上予測（指数トレンド）】”) for m, pred in zip(future_months, future_pred): print(f”{m}ヶ月目: {pred:.0f}万円”) # ============================================ # トレンド比較の可視化 # ============================================ import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(10, 6)) # 実績データ ax.scatter(months, sales, s=100, color=’blue’, label=’実績’, zorder=5) # 各トレンドライン x_line = np.linspace(1, 15, 100).reshape(-1, 1) ax.plot(x_line, model_linear.predict(x_line), ‘–‘, label=f’線形 (R²={r2_linear:.3f})’, alpha=0.7) ax.plot(x_line, np.exp(model_exp.predict(x_line)), ‘-‘, label=f’指数 (R²={r2_exp:.3f})’, linewidth=2) ax.plot(x_line, model_poly.predict(poly.transform(x_line)), ‘:’, label=f’多項式 (R²={r2_poly:.3f})’, alpha=0.7) # 将来予測点 ax.scatter(future_months, future_pred, s=100, color=’red’, marker=’*’, label=’予測’, zorder=5) ax.axvline(x=12.5, color=’gray’, linestyle=’–‘, alpha=0.5) ax.text(12.7, ax.get_ylim()[0] + 20, ‘← 実績 | 予測 →’, fontsize=10) ax.set_xlabel(‘月’, fontsize=12) ax.set_ylabel(‘売上（万円）’, fontsize=12) ax.set_title(‘トレンド比較と将来予測’, fontsize=14) ax.legend(loc=’upper left’) ax.grid(True, alpha=0.3) plt.tight_layout() plt.savefig(‘trend_selection.png’, dpi=150, bbox_inches=’tight’) plt.show() print(“\n→ グラフを ‘trend_selection.png’ に保存しました”)

# ============================================ # 予測精度の完全評価 # ============================================ import numpy as np import pandas as pd import matplotlib.pyplot as plt # データの準備 actual = np.array([100, 110, 105, 115, 120, 125, 118, 130, 135, 140]) forecast = np.array([102, 108, 107, 113, 122, 123, 120, 128, 137, 138]) # 評価指標の計算 def calculate_metrics(actual, forecast): errors = forecast – actual abs_errors = np.abs(errors) pct_errors = abs_errors / actual * 100 mae = np.mean(abs_errors) rmse = np.sqrt(np.mean(errors ** 2)) mape = np.mean(pct_errors) bias = np.mean(errors) return {‘MAE’: mae, ‘RMSE’: rmse, ‘MAPE’: mape, ‘Bias’: bias} metrics = calculate_metrics(actual, forecast) print(“【評価指標】”) print(f”MAE: {metrics[‘MAE’]:.2f}万円”) print(f”RMSE: {metrics[‘RMSE’]:.2f}万円”) print(f”MAPE: {metrics[‘MAPE’]:.2f}%”) # 精度の評価基準 if metrics[‘MAPE’] < 5: print("\n【評価】非常に良い") elif metrics['MAPE'] < 10: print("\n【評価】良好") elif metrics['MAPE'] < 20: print("\n【評価】普通") else: print("\n【評価】要改善") # バイアス分析 print(f"\n【バイアス】{metrics['Bias']:+.2f}万円") if abs(metrics['Bias']) < 1: print("→ バイアスなし（良好）") elif metrics['Bias'] > 0: print(“→ 過大予測の傾向あり”) else: print(“→ 過小予測の傾向あり”) # ============================================ # 精度評価の可視化（4つのグラフ） # ============================================ fig, axes = plt.subplots(2, 2, figsize=(12, 10)) months = np.arange(1, len(actual) + 1) errors = forecast – actual # 1. 実績 vs 予測の推移 ax1 = axes[0, 0] ax1.plot(months, actual, ‘o-‘, label=’実績’, linewidth=2, markersize=8) ax1.plot(months, forecast, ‘s–‘, label=’予測’, linewidth=2, markersize=8) ax1.fill_between(months, actual, forecast, alpha=0.3, color=’orange’) ax1.set_xlabel(‘月’) ax1.set_ylabel(‘売上（万円）’) ax1.set_title(‘① 実績 vs 予測の推移’) ax1.legend() ax1.grid(True, alpha=0.3) # 2. 誤差の棒グラフ ax2 = axes[0, 1] colors = [‘#e74c3c’ if e > 0 else ‘#3498db’ for e in errors] ax2.bar(months, errors, color=colors, alpha=0.7, edgecolor=’black’) ax2.axhline(y=0, color=’black’, linewidth=1) ax2.axhline(y=metrics[‘Bias’], color=’red’, linestyle=’–‘, label=f’バイアス: {metrics[“Bias”]:+.1f}’) ax2.set_xlabel(‘月’) ax2.set_ylabel(‘誤差（万円）’) ax2.set_title(‘② 月別誤差（赤=過大、青=過小）’) ax2.legend() ax2.grid(True, alpha=0.3, axis=’y’) # 3. 散布図（45度線付き） ax3 = axes[1, 0] ax3.scatter(actual, forecast, s=100, alpha=0.7, edgecolors=’black’) min_val = min(min(actual), min(forecast)) – 5 max_val = max(max(actual), max(forecast)) + 5 ax3.plot([min_val, max_val], [min_val, max_val], ‘r–‘, linewidth=2, label=’完全一致線’) ax3.set_xlabel(‘実績（万円）’) ax3.set_ylabel(‘予測（万円）’) ax3.set_title(‘③ 実績 vs 予測 散布図’) ax3.legend() ax3.grid(True, alpha=0.3) ax3.set_xlim(min_val, max_val) ax3.set_ylim(min_val, max_val) # 4. 誤差分布のヒストグラム ax4 = axes[1, 1] ax4.hist(errors, bins=7, color=’steelblue’, alpha=0.7, edgecolor=’black’) ax4.axvline(x=0, color=’red’, linestyle=’–‘, linewidth=2, label=’誤差0’) ax4.axvline(x=metrics[‘Bias’], color=’orange’, linestyle=’-‘, linewidth=2, label=f’バイアス: {metrics[“Bias”]:+.1f}’) ax4.set_xlabel(‘誤差（万円）’) ax4.set_ylabel(‘頻度’) ax4.set_title(‘④ 誤差の分布’) ax4.legend() ax4.grid(True, alpha=0.3, axis=’y’) plt.tight_layout() plt.savefig(‘accuracy_evaluation.png’, dpi=150, bbox_inches=’tight’) plt.show() print(“\n→ グラフを ‘accuracy_evaluation.png’ に保存しました”)

# ============================================ # ホールドアウト検証の実装 # ============================================ import numpy as np from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, mean_squared_error # 36ヶ月分のデータ np.random.seed(42) months_all = np.arange(1, 37) sales_all = 100 + 8 * months_all + np.random.normal(0, 10, 36) # データ分割（80%学習、20%テスト） split_point = 30 # 30ヶ月目で分割 # 学習データ X_train = months_all[:split_point].reshape(-1, 1) y_train = sales_all[:split_point] # テストデータ X_test = months_all[split_point:].reshape(-1, 1) y_test = sales_all[split_point:] print(f”学習データ: {len(y_train)}件（1-{split_point}ヶ月目）”) print(f”テストデータ: {len(y_test)}件（{split_point+1}-36ヶ月目）”) # モデル学習（学習データのみ使用） model = LinearRegression() model.fit(X_train, y_train) # 学習データでの精度 y_pred_train = model.predict(X_train) mae_train = mean_absolute_error(y_train, y_pred_train) # テストデータでの精度（重要!） y_pred_test = model.predict(X_test) mae_test = mean_absolute_error(y_test, y_pred_test) print(f”\n【精度比較】”) print(f”学習データ MAE: {mae_train:.2f}万円”) print(f”テストデータ MAE: {mae_test:.2f}万円”) # 過学習チェック if mae_test > mae_train * 1.5: print(“\n⚠️ 警告: 過学習の可能性あり”) print(” → モデルを単純化するか、データを増やす”) else: print(“\n✓ 過学習なし（テスト精度が妥当）”) # 可視化 import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(12, 6)) # 学習データ ax.scatter(X_train, y_train, color=’blue’, s=60, label=’学習データ’, alpha=0.7) # テストデータ ax.scatter(X_test, y_test, color=’green’, s=80, marker=’s’, label=’テストデータ（実績）’, alpha=0.7) # テスト予測 ax.scatter(X_test, y_pred_test, color=’red’, s=80, marker=’^’, label=’テストデータ（予測）’, alpha=0.7) # トレンドライン x_line = np.linspace(1, 36, 100).reshape(-1, 1) ax.plot(x_line, model.predict(x_line), ‘r-‘, linewidth=2, label=’トレンドライン’) # 分割線 ax.axvline(x=split_point + 0.5, color=’gray’, linestyle=’–‘, linewidth=2) ax.text(split_point – 5, ax.get_ylim()[1] – 20, ‘学習期間’, fontsize=11) ax.text(split_point + 1, ax.get_ylim()[1] – 20, ‘テスト期間’, fontsize=11) ax.set_xlabel(‘月’, fontsize=12) ax.set_ylabel(‘売上（万円）’, fontsize=12) ax.set_title(f’ホールドアウト検証\n学習MAE: {mae_train:.1f}万円 / テストMAE: {mae_test:.1f}万円’, fontsize=14) ax.legend(loc=’upper left’) ax.grid(True, alpha=0.3) plt.tight_layout() plt.savefig(‘holdout_validation.png’, dpi=150, bbox_inches=’tight’) plt.show() print(“\n→ グラフを ‘holdout_validation.png’ に保存しました”)

# ============================================ # トレンド転換の検出 # ============================================ import pandas as pd import numpy as np import matplotlib.pyplot as plt # トレンド転換があるデータ生成 np.random.seed(42) months = np.arange(1, 37) trend_change_point = 18 # 18ヶ月目で転換 # 前半:上昇、後半:下降 trend1 = 100 + 5 * months[:trend_change_point] + np.random.normal(0, 3, trend_change_point) trend2 = trend1[-1] – 3 * np.arange(1, len(months) – trend_change_point + 1) + np.random.normal(0, 3, len(months) – trend_change_point) sales = np.concatenate([trend1, trend2]) df = pd.DataFrame({‘month’: months, ‘sales’: sales}) df[‘MA_6’] = df[‘sales’].rolling(window=6).mean() df[‘MA_change’] = df[‘MA_6’].diff() # トレンド転換点の検出 def detect_trend_change(data, window=6): ma = data.rolling(window=window).mean() ma_change = ma.diff() signs = np.sign(ma_change.dropna()) changes = [] for i in range(1, len(signs)): if signs.iloc[i] != signs.iloc[i-1] and signs.iloc[i] != 0: changes.append(signs.index[i]) return changes change_points = detect_trend_change(df[‘sales’]) print(“【検出された転換点】”) for cp in change_points: print(f” {cp}ヶ月目”) print(“\n【対応策】”) print(“1. 転換点以降のデータで再学習”) print(“2. 複数シナリオを準備”) print(“3. モニタリング強化”)