需要予測を行う回帰のサンプルコードを頂戴

2024年6月8日

以下は、Pythonのscikit-learnライブラリを使用して、需要予測を行うための簡単な回帰のサンプルコードです。この例では、線形回帰モデルを使用していますが、実際のデータに応じて他の回帰アルゴリズムを選択することもできます。

python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# ダミーデータの生成
np.random.seed(0)
X = np.random.rand(100, 1) * 10  # 0から10の間の乱数を生成
y = 2 * X + 1 + np.random.randn(100, 1)  # y = 2X + 1 + ノイズ

# データの可視化
plt.scatter(X, y)
plt.xlabel('Input (X)')
plt.ylabel('Output (y)')
plt.title('Sample Data for Regression')
plt.show()

# データの分割（トレーニングデータとテストデータ）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 線形回帰モデルの作成とトレーニング
model = LinearRegression()
model.fit(X_train, y_train)

# トレーニングデータと予測結果のプロット
plt.scatter(X_train, y_train, color='blue')
plt.plot(X_train, model.predict(X_train), color='red')
plt.xlabel('Input (X)')
plt.ylabel('Output (y)')
plt.title('Training Data and Predictions')
plt.show()

# テストデータでの予測と評価
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

このコードでは、トレーニングデータを使って線形回帰モデルをトレーニングし、その後テストデータでモデルの性能を評価しています。実際の需要予測には、このサンプルコードを使用してデータを準備し、適切な特徴量を選択してモデルを構築する必要があります。