機械学習②線形回帰／データサイエンス入門

stani

専門職

データ分析に線形回帰を使いバラツキを抑えることが重要である。

chikako_k

IT・WEB・エンジニア

明日の天気予報で、明日の売上が予測できるのは、とても良いと思いました。

7031

経営・経営企画

線形回帰の理解と何が予測できるかが分かるようになりました。

matute

IT・WEB・エンジニア

線形回帰を用いて、売上に対する相関ある変数を定量的に可視化して導きだすのに有効だと感じた。

user-name01

販売・サービス・事務

線形回帰の基本的なことがわかった。今後、書籍などで深く学習を進めたい。

konbass8

金融・不動産　関連職

線形回帰のグラフは理解できた。一方で計算式はやや難しく理解が追いつかなかったので復習したい

iso_ken

専門職

線形回帰で解析的に導出するという点では機械学習というイメージとつながった

choko0504

メーカー技術・研究・開発

一般的なデータサイエンスの手法である線形回帰について学ぶことができた。一番利用シーンが多いと思われるので実務で利用する機会があれば活用したい。

yasupii

その他

線形回帰のパラメーターの影響度について、その値の大きさで評価できそうだと直感的に思っていました。本講座で、単純にその大きさを比べるのではなく、標準化をしておくことが必要だと学びました。そのことを忘れずに活用したいと思います。

inyourmind

建設・土木　関連職

線形回帰では説明できる事象は少ないと感じています。

kenjiro_fujita

コンサルタント

売り上げ予測を線形解析を用いて構築する。

pon0829

その他

前提がこれですと説明されても
それがなぜなのか？がわからないので
理解が容易にできない

takamasa59

金融・不動産　関連職

線形回帰の考え方、計算式について理解した、

vz3000

IT・WEB・エンジニア

線形回帰の概要、計算式について理解を深めることができた。

sesesese

その他

パラメータの値に意味を見出せるところが素人にはありがたい。

ken222

営業

データから予測を立てる場合、線形回帰を使うことをイメージしシンプルな予測モデルを作ることを考えたい。

taka1962

販売・サービス・事務

線形回帰はエクセルでもできるので、今後積極的にやってみたいと思います。

yasu_1234

メーカー技術・研究・開発

線形回帰は基本だけど、表現できる事象は少ないと思う。

k--g--

その他

単回帰分析と重回帰分析の差異（結果の評価）に気づくことが出来ました。

hfkd156036

金融・不動産　関連職

線形回帰を理解できた。

miura_ka

販売・サービス・事務

概要について分かったように思うが、業務にどのように持ち帰るか考えたい。

512177

資材・購買・物流

必要に応じて、データの利活用を考えたい

yoshikazu-1103

営業

仕事の中で、件数とそれに伴う実績など『件数が多ければ実績もそれに伴っているか？』いろいろな観点から実装してみたいと思います。

take515

メーカー技術・研究・開発

線形回帰の基本的事項について確認できた。

hr-sakai

その他

データが数式で表現できることを知った。今後、学習していきます。

kk1000

販売・サービス・事務

始めて学ぶ内容だったので理解まで追いついていませんが、
様々な予測に使えることはイメージできました。

shirojpn

メーカー技術・研究・開発

線形回帰は、2次元までは、頭で理解できるが、３次元以降はどうしても
頭の理解がついていかなくなる。ただ、今回の説明はわかりやすかった。
また、線形回帰は解析法で値が求まるという説明は、更になるほどと思った。

kuro-a

IT・WEB・エンジニア

数式の表現がとっつきにくい感じを出していましたが、なにを議論しているのかを確認するだけの下地になるかなと思いました

vegitaberu

人事・労務・法務

単回帰分析のメカニズムを復習することができたと思います。と同時に、こんな単純な分析は、実際にはないと思いますので、ここでつな図数、先に進みたいと思います。

madogiwazoku

その他

素人には難しすぎました。頭が痛いです。鼻血もでそうです。

pomu77

IT・WEB・エンジニア

専門的な用語が多くて難しかったが、理解出来ました。

sui_

販売・サービス・事務

視聴回数が増えると納得度合いが上がってきました！

suzuqp

IT・WEB・エンジニア

線形回帰の基礎を復習できた。

k_k_ai

メーカー技術・研究・開発

最小二乗法と線形回帰の機械学習の関係が良く理解できました

s-ma

経営・経営企画

線形回帰モデルの活用例について理解が深まった

michiyomichiyo

その他

数式の出し方がまだ理解しきれていないが、線形回帰についての理解のきっかけとなった

haruka-

その他

線形回帰の基本的な用語と考え方を知った。実際データを取り扱わないと自分の知識として結びつくのは難しそう。

test_test___

メーカー技術・研究・開発

線形回帰について概要を知った。実際に使ってみてより理解を深めたい

yasunori-hpe

コンサルタント

線形回帰の数学式でシグマの前の1/2は右記の式を微分すると分子に2の整数が出てくる。やがて約分されるので意図的に1/2にしていると説明しているが、理解できない。
だったら2を残しても良い気がするが…

i_mura888

金融・不動産　関連職

将来予測に役立ちます。

kitano_wataru

IT・WEB・エンジニア

相関が低いデータの学習には向いていなさそうな感じがした。

moco_fuwa

その他

少し難しい内容でしたが、繰り返し理解しようと思います。

fukashi_uehara

メーカー技術・研究・開発

線形回帰について概要を勉強できた。

cs1960

販売・サービス・事務

大変勉強になりました。

makidayo

IT・WEB・エンジニア

線形回帰についてわかりやすかった。

whamu

その他

線形回帰は一次関数に近づける学習法。パラメーターは複数設定できて、評価基準との2乗誤差の和で性能評価する。

yokoishida

コンサルタント

予測に使ってみようと思いました。

pinguino

販売・サービス・事務

新たに学ぶことばかりで理解が追いつかないので、再度視聴したい。

70sp1208

その他

ＡＩを習得するには、今回学んだ統計の知識も重要であることがわかった。学生時代に習ったことがこういった場面で活かされることを知り、もう一度復習してＡＩについて理解を深めたい。

sakurai_shingo

人事・労務・法務

業務で活用できそう。

yukofunada

販売・サービス・事務

応用問題でまだよく分かっていなかったところを理解することができました。

hi-std

IT・WEB・エンジニア

線形回帰について学ぶことができました。

mihokado

販売・サービス・事務

線形回帰について学ぶことができました。初めて聞く言葉が多くて少し戸惑いはありました。でも、世の中はこのような形で予測をして成り立っているのだということも分かっておもしろいです

hitomi_aaaa

販売・サービス・事務

数学が嫌いなのでそこでもう嫌だな、、と見た目でなってしまったのでそんな難しいことじゃないはずと考え地道に習得していこうと思いました。身の回りのこれに活かせるのでは？というイメージすら数式が出てきてそこでつまづき浮かばなくなりました。

tsukamotoya

営業

興味が湧いてきました。学習をすすめてまいります。業務や日常において、どのように活用できるのか、考えながら復習していきます。

atoka

マーケティング

概要について分かったように思うが、担当業務にどのように生かすべきか考えたい。

h-kozawa

メーカー技術・研究・開発

数学的観点での機械学習説明であり少々難しいものでしたが、イメージはつかめたと思います。

takumi_1453

経営・経営企画

線形回帰

例題:小売店で商品の売上と来店客数の関
　　　係を調査
　　　→来店客数から商品売上予測するモ
　　　　デルを作る
↓
・来店客数と商品売上の分布に直線を引く
・機械学習では直線を以下のように表現
　yハット（x;w）＝wEXPTx＝w0＋w1x1
　→この手法を線形回帰と呼ぶ☆☆☆

　yハット（x；w）
　→モデルの出力（目的変数）
　→ある重みwのときに、入力（説明変
　　数）xに対する出力
　　＊推定値なのでyに対してハットを付
　　　けて表示

　w＝（ｗ0、ｗ1）EXPT
　→パラメータ、学習により適切な値を取
　　得（最適化）する

　x＝（1、x1）EXPT
　→モデルへの入力（説明変数）

　wEXPTx
　→ベクトルwの転置と入力ベクトルxの積
　　＝スカラー値となる

来店客数以外に、売上に影響する要因も考慮して予測したい（気温、湿度、知名度etc）
→説明変数を多次元に拡張
　ｗ0＋x1ｗ1
　↓
　wEXPTx＝Σwixⅰ＝w0＋w1x1・・wPxP

モデルの評価基準
■パラメータwを最適化するために、評価
　基準を設定
■二乗誤差を評価基準とする☆☆☆
■wは二乗誤差の総和が小さくなるように
　最適化される
　＊誤差は＋値、−値があるのでそのまま
　　足さずに二乗する

■二乗誤差の総和ED
　・N個の学習データのもとで二乗誤差の
　　総和EDは次式で定義される
　ED＝1/2Σ（yハット（xEXP
　　　　　（n）;w）-yEXP（n））EXP2

　　xEXP（n）:n番目のデータの説明変数
　　yEXP（n）:n番目のデータの目的変数
　　　　　　　＝教師

学習結果
■モデルを得たら直観に反していないか必
　ずチェック
　→可視化してデータに重ねてみる、係数
　　をチェックする、など

パラメータの解釈
■線形回帰のパラメータは偏回帰係数と呼
　ばれる☆☆☆
■偏回帰係数は、係数に対応した変数以外
　の変数を固定し、その変数だけを動かし
　たときに得られる目的変数の変化量を意
　味する
　y＝w1x1＋ｗ2x2＋w3x3・・・
　　　　　　固定→

■目的変数と説明変数をそれぞれ平均0、
　標準偏差1に変換（標準化）した上で求
　めた偏回帰係数を標準化偏回帰係数と呼
　ぶ
　・標準化偏回帰係数は同じ土俵で比較可
　　能
　　・係数が大きいx→yに影響が大きい
　　・係数が小さいx→yに影響が小さい

モデルの性能を表す指標
■決定係数
　・予測によるバラつき（二乗誤差）が目
　　的変数のバラつきに比べてどれほど小
　　さいかを表す
　・0以上1以下の実数をとり、1に近いほ
　　ど高性能
■重相関係数
　・正解値（教師）と推定値（モデルの出
　　力）を用いて算出した相関係数
　・重相関係数を二乗した値と決定係数は
　　結果的に等しくなる

まとめ
■各説明変数に重みを掛けて足し合わせる
　シンプルなモデル
■適用例
　気温から売上を予測する　など
■モデル　線形回帰
　評価基準　二乗誤差
　最適化　最小二乗法

e_co

販売・サービス・事務

線形回帰について理解できたと思うが、実践で使う場面を考えたい。

ta-mo-

IT・WEB・エンジニア

線形回帰のイメージがつきました。実際はきれいな線形にはならず、因子が何かを検討し、分類する必要があるのでは、と考えます。

shin_yako

販売・サービス・事務

参考になりました。実務での活用を検討します

grateful

専門職

線形回帰を学びました。

masato_86

専門職

内容がわかりやすかった。

watanabe_aki

経営・経営企画

一つ一つを理解することで今後の業務においてどのようにデータ作成をしていくのが良いか
選択肢が増えると思いました。
内容が難しく完全には理解できていませんが、今後理解を深め実践に役立てていきたいです。

takahashi_mi

販売・サービス・事務

基礎的なところの説明が丁寧にされていて、腑に落ちる点が多かったです。

yoshikouc

販売・サービス・事務

線形回帰を使って傾向を把握することができそうです。又最小値を目指すことで期待通りの予測ができる確率があがりそうです。

miki1165

IT・WEB・エンジニア

線形回帰について学ぶことができました。数学的要素が強いんですね。

kyo1227

営業

応用問題でまだよく分かっていなかったところを理解することができました。

hrkudo

IT・WEB・エンジニア

線形回帰の大枠を理解できました。

tasu-o

コンサルタント

線形回帰の基本について学ぶことができた
入電予測や加入者数の推移予測などに活かしていきたいと思います

aokitaka-tci

その他

線形回帰について理解できた、初めてのキーワードも多かったが図などを交えての説明でわかりやすかった

uedadaisuke3718

マーケティング

イベントのアンケートや反応の分析を行う上で今回の線形回帰を使ってデータ分析に活用できると思いました

inagaki_tomomi1

販売・サービス・事務

数学になってきましたね

mutame

その他

線形回帰についてわかりやすかった。

risa_sss

販売・サービス・事務

計算式が難しいかったですが、線形回帰の重要性が理解でき、期待値を考えるためのロジックは生かせそうと思った。

homma_nanami

販売・サービス・事務

線形回帰について学ぶことができました。初めて聞く言葉も多く、再度視聴したいと思いました。

s_miyuki

メディカル　関連職

予測モデルの構築をする

xiu14

その他

パラメータの解釈について、十分に理解できたとは言えないため、
折を見て復習してみたいと思います。

mori_1991

メーカー技術・研究・開発

二乗誤差の総和を最小化するパラメーターを解析的にもとめる方法として最小二乗法がある。

myu-tan

コンサルタント

線形回帰の概要がわかった。まだ深く理解できてはいないが、散布図を用いて予測を立ててみたい。

otayu

販売・サービス・事務

機械学習の結果とこれまでの実績(体感)を照らし合わせを行ない、その誤差があまり無いと認識することが、AIを積極的に取り入れていくきっかけになると感じた。

warashina12345

その他

線形回帰についてわかりやすかった。

asakusajun

営業

現役時代には無かった新しい研修を
楽しみながら学習させていただいています。

akira007

専門職

最小二乗法はある程度理解していましたので，分かり易かったです。もう少し具体的な計算方法もやっていただけたらと思います。

aquico52

IT・WEB・エンジニア

予測精度を上げるために、どのような条件を組み込んでいくのか、またどれに重みを付けていくのかを判断するには必要な知識だと思った。難しかったが、実践してみれば、納得できそうな気がする。

highway99

IT・WEB・エンジニア

線形回帰久しぶりに勉強しました。

akiraooe

専門職

線形回帰について、どのような計算を行っているか理解できた。

tadashiokamoto

専門職

活用できるよう努力します

takeshita_ta

営業

線形回帰を用いて、通話量や待ち時間の予測が可能である。また、顧客満足度に影響を与える要因を分析し、最適な改善策を導くことが期待できる。

tnema

IT・WEB・エンジニア

これは本当に機械学習のセミナーなのかと疑う内容でした。データサイエンティストとしては理解するべき項目なのだろうが、表題が”機械学習”と言うのが少し引っかかりました。