# ============================================ # 学習データとテストデータの分割 # ============================================ import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # サンプルデータの作成 data = { ‘広告費’: [50, 60, 70, 55, 80, 90, 85, 75, 65, 70, 95, 100, 52, 62, 72, 57, 82, 92, 87, 77, 67, 72, 97, 102], ‘気温’: [25, 28, 30, 26, 32, 33, 31, 29, 27, 30, 34, 35, 24, 27, 29, 25, 31, 32, 30, 28, 26, 29, 33, 34], ‘売上’: [310, 420, 480, 330, 600, 650, 550, 500, 380, 480, 700, 720, 290, 410, 470, 280, 590, 640, 540, 490, 370, 470, 690, 710] } df = pd.DataFrame(data) # ============================================ # 説明変数と目的変数を分離 # ============================================ # X: 説明変数（売上を予測するために使う変数） # y: 目的変数（予測したい変数） X = df[[‘広告費’, ‘気温’]] y = df[‘売上’] # ============================================ # train_test_split(): データを分割する関数 # ============================================ # なぜデータを分割するか？ # → 同じデータで学習と評価をすると、過学習を見逃す # → 別のデータでテストすることで、本当の予測力を測る # # パラメータ: # X, y: 分割するデータ # test_size=0.3: テストデータの割合（30%） # random_state=42: 乱数シード（再現性のため） # → 同じ数値を指定すると、毎回同じ分割結果になる # # 戻り値（4つ）: # X_train: 学習用の説明変数 # X_test: テスト用の説明変数 # y_train: 学習用の目的変数 # y_test: テスト用の目的変数 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, # テストデータ30% random_state=42 # 再現性のため ) print(“【データ分割の結果】”) print(f”全データ数: {len(df)}件”) print(f”学習データ: {len(X_train)}件（{len(X_train)/len(df)*100:.0f}%）”) print(f”テストデータ: {len(X_test)}件（{len(X_test)/len(df)*100:.0f}%）”) print(“\n【重要ポイント】”) print(“・学習データ: モデルの係数を計算するために使用”) print(“・テストデータ: モデルの予測精度を評価するために使用”) print(“・テストデータは学習には絶対に使わない！”)

# ============================================ # 時系列データの分割（特別な注意が必要） # ============================================ # 時系列データとは？ # → 時間順に並んだデータ（月次売上、株価など） # # なぜランダム分割してはいけないか？ # → 未来のデータで学習して過去を予測することになる # → 実務では「未来は見えない」ので、これは不正 # → 過去→未来の順序を維持する必要がある df_time = df.copy() df_time[‘月’] = range(1, 25) # 1〜24月のラベルを追加 # ============================================ # 時間順に分割（ランダムにしない！） # ============================================ # int(): 小数を整数に変換 # len(df_time) * 0.7: 全データの70%の位置 train_size = int(len(df_time) * 0.7) # .iloc[]: 位置（インデックス番号）でデータを取得 # [:train_size]: 最初からtrain_size番目まで # [train_size:]: train_size番目から最後まで df_train = df_time.iloc[:train_size] # 最初の70%（過去） df_test = df_time.iloc[train_size:] # 残りの30%（未来） print(“【時系列データの分割】”) print(f”学習データ: 1月〜{train_size}月（過去のデータで学習）”) print(f”テストデータ: {train_size+1}月〜{len(df_time)}月（未来を予測）”) print(“\n※時系列データでは、この順序を必ず守ること！”)

# ============================================ # モデルの学習（学習データのみ使用） # ============================================ # 重要：学習には学習データ（X_train, y_train）のみを使う # → テストデータは「未知のデータ」として取っておく # → これにより、本当の予測力を測れる model = LinearRegression() # .fit(): モデルを学習（係数を計算） # X_train: 学習用の説明変数 # y_train: 学習用の目的変数 model.fit(X_train, y_train) print(“【モデルの係数】”) print(f”切片: {model.intercept_:.2f}”) print(f”広告費の係数: {model.coef_[0]:.2f}”) print(f”気温の係数: {model.coef_[1]:.2f}”) print(“\n【係数の解釈】”) print(f”・広告費が1万円増えると、売上が{model.coef_[0]:.1f}万円増える”) print(f”・気温が1℃上がると、売上が{model.coef_[1]:.1f}万円増える”)

# ============================================ # 学習データでの予測精度 # ============================================ # なぜ学習データでも評価するか？ # → テストデータとの比較で過学習を検出できる # → 学習データでの精度は「理論上の最高精度」 from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error # model.predict(): 学習済みモデルで予測 y_train_pred = model.predict(X_train) # ============================================ # 各評価指標の計算 # ============================================ # r2_score(実際, 予測): 決定係数R² # → 0〜1の値、1に近いほど良い r2_train = r2_score(y_train, y_train_pred) # mean_absolute_error(実際, 予測): MAE（平均絶対誤差） # → 予測の平均的なズレ（単位は目的変数と同じ） mae_train = mean_absolute_error(y_train, y_train_pred) # mean_squared_error(実際, 予測): MSE（平均二乗誤差） # → np.sqrt()で平方根を取るとRMSE rmse_train = np.sqrt(mean_squared_error(y_train, y_train_pred)) # MAPE（平均絶対パーセント誤差）: 手動で計算 # → パーセントでの誤差、異なるスケールの比較に便利 mape_train = np.mean(np.abs((y_train – y_train_pred) / y_train)) * 100 print(“【学習データでの性能】”) print(f”R²: {r2_train:.4f}（{r2_train*100:.1f}%説明できる）”) print(f”MAE: {mae_train:.2f}万円（平均±{mae_train:.1f}万円のズレ）”) print(f”RMSE: {rmse_train:.2f}万円（大きな誤差を重視）”) print(f”MAPE: {mape_train:.2f}%（平均{mape_train:.1f}%のズレ）”)

# ============================================ # テストデータでの予測精度（最も重要！） # ============================================ # なぜテストデータが最も重要か？ # → 学習に使っていない「未知のデータ」 # → 実際に運用した時の精度に近い # → この精度でモデルの実力を判断する # テストデータで予測 y_test_pred = model.predict(X_test) # 各評価指標を計算 r2_test = r2_score(y_test, y_test_pred) mae_test = mean_absolute_error(y_test, y_test_pred) rmse_test = np.sqrt(mean_squared_error(y_test, y_test_pred)) mape_test = np.mean(np.abs((y_test – y_test_pred) / y_test)) * 100 print(“【テストデータでの性能】← これが本当の実力！”) print(f”R²: {r2_test:.4f}”) print(f”MAE: {mae_test:.2f}万円”) print(f”RMSE: {rmse_test:.2f}万円”) print(f”MAPE: {mape_test:.2f}%”) # ============================================ # 学習 vs テストの比較（過学習チェック） # ============================================ print(“\n【過学習チェック】”) print(f”R²の差: {r2_train – r2_test:.4f}（小さいほど良い）”) print(f”MAEの差: {mae_test – mae_train:.2f}万円（小さいほど良い）”) if r2_train – r2_test > 0.1: print(“⚠ 注意: 過学習の可能性があります”) else: print(“✓ 過学習の兆候なし、良好なモデルです”)

import matplotlib.pyplot as plt # 実測値 vs 予測値のプロット fig, axes = plt.subplots(1, 2, figsize=(14, 5)) # 学習データ axes[0].scatter(y_train, y_train_pred, alpha=0.7, color=’blue’) axes[0].plot([y_train.min(), y_train.max()], [y_train.min(), y_train.max()], ‘r–‘, linewidth=2) axes[0].set_xlabel(‘実測値（万円）’) axes[0].set_ylabel(‘予測値（万円）’) axes[0].set_title(f’学習データ（R² = {r2_train:.4f}）’) axes[0].grid(True, alpha=0.3) # テストデータ axes[1].scatter(y_test, y_test_pred, alpha=0.7, color=’green’) axes[1].plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], ‘r–‘, linewidth=2) axes[1].set_xlabel(‘実測値（万円）’) axes[1].set_ylabel(‘予測値（万円）’) axes[1].set_title(f’テストデータ（R² = {r2_test:.4f}）’) axes[1].grid(True, alpha=0.3) plt.tight_layout() plt.show()

from sklearn.model_selection import cross_val_score # 5分割交差検証 scores = cross_val_score( LinearRegression(), X, y, cv=5, # 5分割 scoring=’r2′ # R²で評価 ) print(“【5分割交差検証の結果】”) print(f”各分割のR²: {scores}”) print(f”平均R²: {scores.mean():.4f}”) print(f”標準偏差: {scores.std():.4f}”)

# MAEでも評価 mae_scores = cross_val_score( LinearRegression(), X, y, cv=5, scoring=’neg_mean_absolute_error’ # MAE（負の値で返される） ) mae_scores = -mae_scores # 正の値に変換 print(f”\n【MAEでの交差検証】”) print(f”各分割のMAE: {mae_scores}”) print(f”平均MAE: {mae_scores.mean():.2f}万円”) print(f”標準偏差: {mae_scores.std():.2f}万円”)

# 総合的なモデル評価関数 def evaluate_model(model, X, y, cv=5): “””モデルを総合的に評価する””” from sklearn.model_selection import cross_val_score print(“=” * 50) print(“モデル評価レポート”) print(“=” * 50) # R² r2_scores = cross_val_score(model, X, y, cv=cv, scoring=’r2′) print(f”\n【R²】”) print(f” 平均: {r2_scores.mean():.4f}”) print(f” 標準偏差: {r2_scores.std():.4f}”) # MAE mae_scores = -cross_val_score(model, X, y, cv=cv, scoring=’neg_mean_absolute_error’) print(f”\n【MAE】”) print(f” 平均: {mae_scores.mean():.2f}万円”) print(f” 標準偏差: {mae_scores.std():.2f}万円”) # RMSE rmse_scores = np.sqrt(-cross_val_score(model, X, y, cv=cv, scoring=’neg_mean_squared_error’)) print(f”\n【RMSE】”) print(f” 平均: {rmse_scores.mean():.2f}万円”) print(f” 標準偏差: {rmse_scores.std():.2f}万円”) # 判定 print(“\n【総合判定】”) if r2_scores.std() < 0.05 and r2_scores.mean() > 0.8: print(” ✓ 安定した高性能モデル”) elif r2_scores.std() > 0.1: print(” ⚠ 不安定なモデル（データに依存）”) else: print(” △ 普通のモデル”) return { ‘r2_mean’: r2_scores.mean(), ‘mae_mean’: mae_scores.mean(), ‘rmse_mean’: rmse_scores.mean() } # 実行 results = evaluate_model(LinearRegression(), X, y)