「础滨と罢补产濒别补耻连携」チョット试してみました！
- 2. 2 ??紹介 ?井 誠 ーMakoto Tamaiー l １９７１年２??まれ愛媛県（?条）出?（愛媛?学 情報?学部） ＜経歴＞ H 7年 NTT?社 @?知 H 9年 NTTソフトウエア研究所 ＠武蔵野 著作権保護技術、電?透かし H11年 NTT??本 研究開発センタ @?阪 映像配信＋コミュニティ（チャット、３D) H15年 NTTサイバースペース研究所 ＠横須賀 映像コミュニケーション（ひかりソフトフォン） H17年 NTTレゾナント @武蔵野 goo検索、モバイル(iモード検索） H23年 NTTコミュニケーションズ ＠?町 クラウドサービス開発(CloudN PaaS) H25年 NTT??本 四国事業本部 @松? パートナーアライアンス H28年 NTTスマートコネクト クラウドビジネス部（現職） ＠?阪 データ分析、位置情報配信ビジネス開発 ＜趣味＞ ?ドライブ、スキューバ、野球?ソフトボール、スキー、格闘技観戦、 TableauによるDataVisualizaCon、DATA Saber調整中
- 3. 3
- 4. 4 Tableauで始めるデータサイエンス 単?本 ? 2019/10/30 岩橋 智宏 (著), 今? 航平 (著), 増? 啓志 (著) 参考?献
- 7. 7
- 8. CRISP-DMとは CRISP-DM(CRoss-Industry Standard Process for Data Mining)は、 同名のコンソーシアムによって提唱されたデータ分析プロジェクトのプロセスモデルとなります。 8
- 11. 事例?東京２３区のマンション価格の推論 Python Python Tableau Prep l 東京都中央線沿いのマンション価格を 予測する l 東京駅（都?）からの距離によって価 格は変わるのではないか。 l どのようなデータ準備が必要かを確認 l 広さ、駅からの距離と価格の相関関係 l 市区町村でユニオン l 駅名マスタとjoin l 超?級マンションの除外 l 駅名グルーピングと表記ゆれの修正 l 重回帰モデルの利? l 精度の評価 l 誤差の?きいカテゴリの確認 l 精度向上 l マンション価格予想ダッシュ ボード 11
- 13. 13
- 15. データ理解の前準備 l Tableau Prepを使って以下を実施 ? マンション価格予測モデルに影響がありそうな列（フィールド）の抽出 ? ユニークＩＤ列、築年数列?成 ? ＮＵＬＬ値?削除 15
- 17. 17
- 18. 18
- 19. 19
- 20. 武蔵野市の価格分布が?い 20
- 21. 21
- 22. 22
- 23. 23
- 24. データ理解でわかったこと 24 わかったこと ? 物件の広さは物件の価格に影響する（ようだ） ? 物件の築年数は物件の価格に影響する（ようだ） ? 東京駅からの物件の最寄り駅までの距離は物件の価格に影響する（ようだ） ? 意味ある特徴量＝説明変数として利?できる さらにデータ準備が必要な点 ? ?びぬけて?価な物件のデータが存在しているので、モデル作成のためには除外する必要がある。 ? 間取りについては分類が多すぎるため、ある程度のグルーピングが必要
- 26. データ準備 26
- 27. 27 データ準備（１）
- 28. 28 データ準備（２）
- 29. 29 データ準備（３） 列名 説明 データ型 uid ユニークな識別番号 整数型 years 築年数 整数型 minutes 駅からの距離 少数型 sqrm 部屋の広さ(m2) 整数型 distance 東京駅から最寄りの駅ま での距離 少数型 renovate 改装済みフラグ 整数(0 or 1) express 快速が?まるかのフラグ 整数(0 or 1) rooms 部屋数と部屋のタイプ ?字列 station 駅名 ?字列 price 価格 整数型 ? Tableau Prepからの出?データ（housing_tokyo_chuo_line_prep.csv) ?的変数 説明変数
- 31. 31 予測モデル作成
- 32. 32 予測モデル作成の流れ
- 39. 予測モデル評価(1) 39
- 40. 40 予測モデル評価(2)
- 41. 41
- 42. 42
- 43. 43 吉祥寺駅
- 50. 50
- 51. 51
- 52. 52