狠狠撸

データ統合と視覚化によるデータ分析ツール
PADOCの提案
2018/10/14
mabonaki0725

目次
1.はじめに
2.先行データ分析ツール
3.提案ツールPADOCの提供機能
4.データの前処理
5.全体像の把握
6.比較検討
7.仮説検証
8.知識発見
9.考察
10.まとめ

1. はじめに(1)
? データ分析とは
? 論語の温故知新を数理的に実現すること
? 20世紀後半まではデータが貴重で少ない
? 分析目的に合わせてデータは記録から作り出した → 結果が有意か検定が難解
? ネット社会になりデータが莫大 → 未だに分析手法が不定
? データが運用にあわせて分散されて蓄積
? 問題の徴候を示すデータが容易に見つからない
? 業務知識のある人（ビジネスアナリスト)とデータ分析者の協業が必要
? 外部データ（気候、市場）を使って分析する場合もある
? データ分析するには業務知識に従ってデータを収集?
統合する前処理が必要
? データ分析の前処理工程が7割以上占める

1. はじめに(2)
? 無償のデータ分析言語Rやpythonは習熟が難しい
? それ故RやPythonの前処理用の「前処理大全」が最近出版
? 前処理が容易で視覚的な環境を導入したデータ分析
ツールをPADOCを提案
PADOC(Process Analysis by Data Oriented Composition) 　Window 7 8 10で稼動

2. データ分析先行ツール
? SAS（有償）
? 1976年　データが貴重な時代に出現し、結果の検定機能は充実
? 貧弱な計算資源でも動作する様にデータ一行毎に同じ処理を適応
? グラフィカルな表現機能が劣る。直近のモデルの提供が遅い
? SPSS（有償）
? コマンドベースと視覚的なGUIによる操作を導入
? 習熟してくるとGUIは使わずコマンドベースとなる
? S-PLAS（有償）
? 検定よりグラフィカルな表示を重視　Rに発展
? Matlab（有償）
? 行列演算を得意とするが　Pythonが高機能になり差別化が難しい　
? R（無償）
? 関数型の記述を採用　大規模な処理は不得意
? Python（無償）
? オブジェクト指向型の言語　簡潔な表現（メモリー管理や変数型宣言が不要）　　
? Hadoop（無償）
? PCの連結による並列処理で大規模データの前処理用に使われる
? SQL(無償)
? RDBのデータの編集加工ツール　分析機能はない前処理で最も多く使われる

3. 提案ツールPADOCの機能説明
? データ分析の定義
? Kaggle(分析精度を競うサイト)でのデータ分析
? 分析の精度を競うことで
　　数理モデルの実証や習熟できる意義あるサイト
? 業務知識を使ったデータ選別や収集等の前処理がない
? 実用的なデータ分析
　　総務省の「高度ICT 利活用人材育成プログラム」の定義
1.全体把握　
2.比較検討　
3.仮説検証　
4.知識発見

3. 提案ツールPADOCの機能説明
? 提案ツールの機能説明
? 実用的なデータ分析として提案ツールの機能を説明
4.データ前処理
5.全体把握　　データ間の関係把握
6.比較検討　　
7.仮説検定　　　　主に教師有りモデル
8.知識発見　　　　主に教師無しモデル

4. データ前処理
? 「前処理大全」の項目では
　　データの前処理を以下で説明　
　　　(1)抽出
　　　(2)結合
　　　(3)集約
　　　(4)分割　
　　　(5)生成展開

4. データ前処理データは分散して収納
データの重複を避けるため、検索キーで連結する分散型データベースを採用
例：自動車
ローン

４.データ前処理　分散データの統合化とモデル分割
顧客契約財務信用取引歴保証人商品ネガ延滞破綻
個人事業主法人
信用情報　有信用情報　無財務情報　有財務情報　無
抽出結合
集約
マスター
１行１顧客
モデル分割
例：自動車ローン
分割
データベース１顧客に複数契約（複数行）
業務知識が必要
統計知識が必要
業務と統計
知識が必要

? ＲやPythonでデータ前処理は行えるのか？
– 課題　　　　　　　　　　　　　　　　結論
? データ編集ツールとして簡単　　　　　 ×
? 業務知識がある人でも理解できる　　×　
? 全体把握するツールがある　　　　　　×

4. データ前処理 (1)抽出
Python
#データの呼出し
tigin=pd.read_csv('tigin2.csv')
#項目選択メソッドの使用
select_tb = tigin[['home','amount','job',]]
#欠損削除メソッドの使用
select_tb['amount'].dropna()
PADOC
/* データ呼出し*/
get tigin2.csv@;
/* 項目選択*/
select home amount job;
/* 欠損レコードの削除*/
if(amount == ?) delrec;
前処理（抽出)でのPythonと提案ツールPADOCとの記述の比較
項目を選択して欠損のないデータを抽出する
オブジェクト毎のメソッドを覚
える必要がある

4. データの前処理　 (2)結合
Python
#契約情報読込
tiginCont=pd.read_csv('tiginCont.csv')
tiginCont=tiginCont[['id','cont','mon','amount','payrate','bonus']]
#個人情報読込
tiginPerson=pd.read_csv('tiginPerson.csv')
tiginPerson=tiginPerson[['id','sex','old','income','work','job','workspan','workold','homeid']]
#顧客IDでマージ
togo=pd.merge(tiginCont,tiginPerson,on='id',how='outer')
#家族情報読込
tiginHome=pd.read_csv('tiginHome.csv')
tiginHome=tiginHome[['homeid','home','homespan','family','marrige']]
#世帯IDでマージ
togo=pd.merge(togo,tiginHome,on='homeid',how='outer')
#延滞情報読込
tiginBank=pd.read_csv('tiginBank.csv')
tiginBank=tiginBank[['cont','openen','def']]
#契約IDでマージ
togo=pd.merge(togo,tiginBank,on='cont',how='outer')
#結合結果
togo.to_csv('tiginTogo.csv')
PADOC 処理フローによる結合
データを結合する
前処理（結合)でのPythonと提案ツールPADOCとの記述の比較
記述が詳細すぎる

4. データの前処理 (3)集約
Python
bankr=pd.read_csv('bankr.csv')
#サマリー平均
reult = bankr.groupby([’jobcat','minority'])[’salnow'].mean().reset_idex()
PADOC
get bankr.csv@;
/* サマリー平均 */
sumup salnow by jobcat minority/
　method=average
;
区分別に平均値を計算する
前処理（集約)でのPythonと提案ツールPADOCとの記述の比較
メッソッドの連鎖
記述が長すぎる

4. データ前処理　 (4)分割
Python
bankr=pd.read_csv('bankr.csv')
row_no = list(range(len(bankr)))
#４分割指定
k_fold = KFold(n_splits=4,shuffle=True)
#4 分割
for train_cv_no in k_fold.split(row_no) :
　bank = train_data.iloc[train_cv_no,:]
PADOC
get bankr.csv@;
rnd = random; /* 一様乱数付与*/
/* 4 分割*/
　　　if(rnd <= 1/4) outrec bank1;
else if(rnd <= 2/4) outrec bank2;
else if(rnd <= 3/4) outrec bank3;
else outrec bank4;
データを均等に４分割する
前処理（分割)でのPythonと提案ツールPADOCとの記述の比較
特別なオブジェクトを生
成する必要がある

4. データの前処理　 (5)生成
Python
bankr=pd.read_csv('reserve_tb.csv')
#対数化
reserve_tb[`total_price_log'] = reserve_tb[`total_price']. apply(lambda x:np.log(x/1000+1))
PADOC
get reserve_tb.csv@;
/* 対数化 */
togal_price_log = log(total_price/1000+1);
データを対数化する
前処理（生成)でのPythonと提案ツールPADOCとの記述の比較
記述が長すぎる

提案ツールPADOCの機能説明
5.全体把握　　データ間の関係把握
6.比較検討　　
7.仮説検定　　　　主に教師有りモデル
8.知識発見　　　　主に教師無しモデル

5. 全体把握
一般には変数（項目間）の関係は相関プロットが用いられる

5. 全体把握　ＡＩＣランキング表
特定の項目について全体との
関係を調たい場合が多い
(例)
ローン破綻と関係が高い項目
のランキングと分布表示
home(持ち家状態)
amount(ローン金額)
mon(貸出し期間)
持ち家状態(home)の分布では
賃貸や借家などの流動性が高い先
の破綻率が高いことが示されている

6. 比較検討
PADOC 区分による比較検討（例1)　
ボーナス払い有無で分割
　　　　（次ページ）
ろうそく図　米銀の職種別給与
stuff 一般従業員
traininng 研修中
gardman 警備
engineer　技術者
manager　管理職
rba RBA
special 特別職
区分毎に分布を比較する機能がある

6. 比較検討(例2)
PADOC ファイル分割による比較検討(例2)
ボーナス払い有（従業員）ボーナス払い無（経営者）
ローンの破綻リスク：従業員は借入金額　　経営者は居住形態が最も高い
データを分割すると全項目で比較できる

7. 仮説検証
? 分析対象を他の項目で説明する仮説モデルの検証が多い
? 分析対象合う様に予測するので教師付モデルと云う
? 検証は予測値と実測値の差で評価する
? 精度：予測値と実測値の差が少ない
? 頑健性：運用データでも精度が高い
? 実務的には説明性も大事(運用時の問合せに答えるため）
? 精度と頑健性はトレードオフの関係がある
? 学習データで精度を向上しても、試験データでは劣化する（過学習）
? これは学習データのノイズで説明するモデルになっているため

7. 仮説検証
7.１分析対象項目が２値の場合
? 説明変数が数値の場合　ロジット回帰モデル
? 説明数にカテゴリ値がある場合　判別ツリー
? 非線形的な分離がある場合　高次元に写像し分離　SVM　
線形分離不能 SVMは高次元に写像し線形分離

7. 仮説検証
7.2 分析対象項目が実数の場合
? 説明変数が数値の場合　　　　　　重回帰モデル
? 分析対象が時間経で劣化するなら　ハザードモデル　
Cox Hazard モデル３Dの重回帰結果

7. 仮説検証
7.2 分析対象項目が実数の場合
? 説明変数にカテゴリ値がある場合　回帰木モデル
世帯プロファイル別のマンション購入希望価格(百万円)

7. 仮説検証
7.2 分析対象項目が実数の場合（小規模データの場合)
? カーネル回帰モデル（信頼区間を表示できる）
? SVM回帰
? ガウス過程回帰
ガウス過程回帰カーネル回帰

7. 仮説検証
7.3 分析対象項目が時系列の場合
? 定常波　 ARMAモデル
? 非定常波　カルマンフィルター
下図は処理フローの編集でトレンド成分と低周波（季節）成分を除去
し非定常波を定常波にしてARMAモデルで予測した結果　
非定常波→定常波　処理フロー図 ARIMAによる予測（赤線）

7. 仮説検証
7.4 頑健性の検証
? PADOCではBoostingにより学習データの精度を向上させ
　試験データで精度比較する機能がある
　※Boosting　誤判別の割合に応じて学習データを増やし
精度改善する仕組み
　
Boostingにより精度改善を繰返す学習と試験データとの精度比較

7. 仮説検証
7.5 他モデルとの比較
? PADOCでは処理フローを編集して
　他モデルとの精度比較を視覚的に行える
　
判別ツリーとロジットの精度比較判別ツリーとロジットの処理フロー図

8. 知識発見
? 一般に知識発見は教師データがない非教師モデル
? データから隠れた要因を推定するモデルが主流
? 結果は図やグラフで視覚的に説明される場合が多い
? PADOCが提供する知識発見のモデル
– 隠れ変数推定ベイズモデル
– グラフィカルモデル
– 最適計画問題
– 強化学習

8. 知識発見
8.1 PADOC 隠れ変数推定モデル (その1)
1. MCMC 　隠れ変数をマルコフ連鎖でサンプリングして最尤値を探索する
2. EM法　　隠れ変数の平均が最尤値を得る様に修正を繰返す
3. 変分ベイズ法　隠れ変数で仮定した変分の下界を最大化して推定する
EM法　
(例) Oldfaithfull間歇泉の噴射間隔と噴射高のプロット点の所属率を推定
　　　　変分ベイズ

8. 知識発見
8.1 PADOC 隠れ変数推定モデル（その2）
4. 樹系図　近傍点間を樹系図で表示
5. LDA　　言語の類似状態（トピック) を推定する
樹系図　
(例)学生14人の3教科の成績　両図ともMiaがハズレ値を示す
3Dプロット

8. 知識発見
6. 隠れマルコフ　時系列の隠れモードを推定する
(例) 富士通の株価推移を隠れマルコフで隠れモードを推定
　　　富士通の株価推移　隠れマルコフ　低中高のモードがあり遷移が起り難い

8. 知識発見
8. Group Lense 未使用の評点を人と商品の類似により推定する
4人の5本の映画の評点（未鑑賞がある）　
(例) 未鑑賞の映画の評点を類似により推定する　未鑑賞の推定評点が高ければ推奨できる
未鑑賞の映画の評点を類似により推定する

8. 知識発見
7. One Class SVM ハズレ値を推定する
SVM 原点から最大マージンを採る様に高次元に写像し，ハズレ値を摘出する

8. 知識発見
8.2 PADOC グラフィカルモデル (その1)
1. ガウシアン?グラフィカルモデル(GGM) 　見かけ上の相関を排除した関連図
2. 共分散構造モデル(SEM)　項目間の関係を隠れた因子で説明する図
GGM 陸上近代5種競技の関連図　 SEM　社会活動データをstage(地位)で説明

8. 知識発見
3. ベイジアンネットワークモデル　データからベイジアンネットを自動生成する
　　矢印に沿って確率伝播するので、上流の条件を変更すると確率が変わる
ベイジアンネットワーク：ローン破綻(def)の確率を表示

8. 知識発見
4. 最短経路を表示する　ダイクストラ法
　　
東京地下鉄の位置を読込み　始点と終点を指定すると最短経路を表示する

8. 知識発見
5. 最大流入（流出）問題　　配管網の各配管の容量内で最大流入量を計算
6. 最大張り木　　全ノードに送電する最短送電経路を表示する
　　
左図：最大流入図　①が流入点　⑤が流出点　黒字：配管容量　赤字：流入量

8. 知識発見
8.3 PADOC 最適問題 (その1)
1. 線形計画法　
(実用例) A工場は部品製造専門　B工場は部品製造とAとB工場の部品の組立て行う　
　　　　　　B工場の最適人員割当を求める

8. 知識発見
8.3 PADOC 最適問題 (その2)　
2. 整数計画法（ナップザック問題）　最適解が整数　分岐制限法を採用
3. 非線形計画法　SUMT法採用
最適問題グラフ図　　　　左図の最適問題の定義記述

8. 知識発見
8.3 PADOC 最適問題 (その3)　
4. 最適順回路問題　やきなまし法を採用
ランダムな点を巡回する最適経路を表示　　3Dのランダムな点を生成

8. 知識発見
8.4 PADOC 強化学習
1. 強化学習　SARSA法
移動回数の学習状態　　
(例)迷路での最適経路の学習　最初は7000回だが学習後は60回移動でゴールに達する　
学習後の移動経路

8. 知識発見
8.4 PADOC 強化学習
2. 逆強化学習　行動データより擬似報酬を計算する　最大エントリィ法採用
左：ポーンがグリッドを移動して左上隅と右下隅の報酬を得る試行を繰返す
右：ポーンの移動データより逆強化学習で報酬を計算した結果
(例)報酬を得られる様にポーンの経路データより逆強化学習より擬似報酬を計算する

提案ツールPADOCの機能説明
4.データの前処理
? Pythonに比べて簡潔な記述
? データ結合の処理フロー編集
5.全体把握（データの前処理）
? 全体把握ツール
6.比較検討
? 区分による分布比較
? データ分割による全比較
7.仮説検証
? 教師付モデル
? 精度と頑健性の問題の検証
8.知識発見
? 隠れ変数推定ベイズモデル
? グラフィカルモデル
1. 最適計画問題
2. 強化学習

9. 考察
? Pythonは難易度が高い
? オブジェクト指向型の言語
? データ前処理に使うには難易度が高い
? データアナリストは前処理はSQL(無償)やSAS(有償)、SPSS(有償)を使う場合が多い
? ライブラリィが豊富で数理モデル（機械学習や深層学習）を構築するには適している
? 処理フローを編集してモデルを構築するツールは存在しない
? 深層学習モデル構築用のTensolbordは存在する
? PADOCは実用的なデータ分析で使い易い
? データ前処理を簡便な記述で行える
? グラフィカルな環境が提供されている
? 比較検討、仮説検証、知識発見で示す様に十分な機能を提
供している

10. まとめと今後
? まとめ
? 前処理大全の記述に沿ってデータ編集ツールとして優位
性を示した
? 仮説検定，比較検討，知識発見について，提案ツール
PADOC を検討し、十分な機能があることを示した
? 今後
? Python上では驚異的なモデルが続々と発表されている
? AlphaGoZeroの結論の記述
「人類が数千年かけて習熟した囲碁の技を我々は数日で達成した」
? Python で作られたライブラリィを取り込むＡＰＩを公開して多
くの人がこの環境をカスタマイズを可能にする

付録1　インストール方法
http://www.geocities.jp/mabonakai/index.htm
実行アイコン
処理フロー編集画面実行ログ表示
コマンド編集画面
マニュアル

付録2　コマンドモード
実行アイコン

付録3　データフローモード
DFD読込

狠狠撸

Padocview anonimous2

Recommended

More Related Content

Similar to Padocview anonimous2 (20)

More from Masato Nakai (20)

Padocview anonimous2