予測の世界へ、次の一歩を！

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

Rで学ぶ予測入門

SkillTag.level.beginnerSkillTag.label

4.9+

無料でコースを始める

データ分析の最初の一歩は、データを可視化することです。グラフにすることで、パターン、外れ値、時間とともに起こる変化など、データのさまざまな特徴が見えてきます。可視化から得られた特徴は、可能な限り、これから用いる予測手法に取り入れていく必要があります。

Exercise 1: Rで学ぶ予測へようこそ Exercise 2: Rでの時系列オブジェクトの作成 Exercise 3: 時系列プロット Exercise 4: 季節プロット Exercise 5: トレンド、季節性、循環性 Exercise 6: 非季節時系列の自己相関 Exercise 7: 季節性・循環をもつ時系列の自己相関 Exercise 8: ACF と時系列を対応づける Exercise 9: ホワイトノイズ Exercise 10: 株価とホワイトノイズ

この章では、さまざまな予測場面で役立つ一般的なツールを学びます。ベンチマークとなる予測手法、予測手法が利用可能な情報を十分に活用できているかを確認する方法、そして予測精度を測定する方法について説明します。ここで紹介するツールは、後続の章でさまざまな予測手法を学び検討する際に、繰り返し使用していきます。

Exercise 1: 予測とあり得る未来 Exercise 2: ナイーブな予測手法 Exercise 3: 当てはめ値と残差 Exercise 4: 時系列の残差をチェックする Exercise 5: 学習用データとテストデータ Exercise 6: 非季節モデルの予測精度を評価する Exercise 7: 季節性手法の予測精度を評価する Exercise 8: 良い予測モデルを持っていると言えるでしょうか？Exercise 9: 時系列クロスバリデーション Exercise 10: tsCV() を使った時系列のクロスバリデーション

指数平滑法による予測は、過去の観測値の加重平均で表され、古い観測ほど重みが指数的に小さくなります。言い換えると、新しい観測ほど大きな重みが与えられます。この枠組みは、幅広い時系列に対して素早く信頼できる予測を生成でき、ビジネス分野の応用において大きな利点であり非常に重要です。

Exercise 1: 指数加重予測 Exercise 2: 単純指数平滑法 Exercise 3: SES と naive の比較 Exercise 4: 傾向を含む指数平滑法 Exercise 5: Holtのトレンド法 Exercise 6: トレンドと季節性を扱う指数平滑法 Exercise 7: 月次データでの Holt-Winters Exercise 8: 日次データでの Holt-Winters 法 Exercise 9: 指数平滑法の状態空間モデル Exercise 10: 指数平滑法による自動予測 Exercise 11: ETS と季節ナイーブの比較 Exercise 12: モデルと時系列を対応させましょう Exercise 13: ETS がうまくいかないのはいつ？

ARIMAモデルは、時系列予測に対する別のアプローチを提供します。指数平滑法とARIMAモデルは、時系列予測で最も広く使われる2つのアプローチであり、互いに補完的です。指数平滑法がデータのトレンドや季節性を明示的に表現するのに対し、ARIMAモデルはデータ内の自己相関構造を記述することを目指します。

Exercise 1: 分散を安定化するための変換 Exercise 2: 時系列に対するBox-Cox変換 Exercise 3: 定常化のための非季節差分 Exercise 4: 定常性のための季節差分 Exercise 5: ARIMAモデル Exercise 6: 非季節時系列のための自動ARIMAモデル Exercise 7: ARIMA モデルでの予測 Exercise 8: 非季節データにおける auto.arima() と ets() の比較 Exercise 9: 季節ARIMAモデル Exercise 10: 季節時系列に対する自動 ARIMA モデル Exercise 11: auto.arima() のオプションを試す Exercise 12: 季節性データに対する auto.arima() と ets() の比較

これまでの章で扱った時系列モデルは多くの場合に有効ですが、週次や時単位のデータには適さないことがあり、祝日効果、競合の動き、法改正など他の情報を組み込むこともできませんでした。この章では、より複雑な季節性に対応する手法を取り上げ、さらにARIMAモデルを拡張して、そのような追加情報をモデルに組み込む方法を検討します。

Exercise 1: 動的回帰 Exercise 2: 広告費を考慮した売上予測 Exercise 3: 電力需要の予測 Exercise 4: 動的調和回帰 Exercise 5: 週次データの予測 Exercise 6: 複数の季節性に対する調和回帰 Exercise 7: コール予約の予測 Exercise 8: TBATSモデル Exercise 9: 電力需要のための TBATS モデル Exercise 10: 予測の世界へ、次の一歩を！

現在の演習