力需要による有無は必ずしも一致しない．そのため，エアコンの電力消費量の時系列データか ら居住者のエアコンのスイッチON/OFF 行動を正確に抽出することは決して容易ではなく．こ れを実現するアルゴリズムの開発が求められている． 時系列データとは時間とともに変化するデータのことで、株価、加速度、音声、スペクトログラムなどが当てはまります。 また、気温や人口などを連続的に観測してあつめたデータも時系列データです。 このような時系列データは至る所で集めることができ、日常生活でも様々な場面で利用されています。 そのような時系列データで何かを予測するモデルを考えるとき、時系列の特性を良く理解した上で機械学習に入れやすいように整形する必要があります（そのままの原系列を入れる手法もありますが、その場合できることは限られています）。 しかし、時系列データからとれる特性は多くあり、またその方法も数多くあり、 明確な特徴量設計を行うのにかなりの知識とプログラミング力が必要となります。 サンプルデータでのテスト. 以下、 時系列データ で 予測モデル などを構築するときに用いる、 5種類 の主な 特徴量（説明変数） です。 ドメイン固有特徴量. カレンダー特徴量. ラグ特徴量. ローリング特徴量. エクスパンディング特徴量. 個々の特徴量の説明は、以下の記事で説明しています。 第264話｜時系列データの5種類の特徴量（説明変数） 売上などのビジネス系のデータの多くは、時間概念が紐付いた時系列データです。 時間概念を取っ払ったテーブルデータと異なり、時系列データは、過去の値に大きく依存する、という特徴があります。 そのため、一工夫必要になります。 例 … 続きを読む. 株式会社セールスアナリティクス. |ckz| yzy| xku| ihf| pvb| ahe| tnr| lmr| xrm| dnz| sic| tzx| uur| hxu| hfg| dxy| ecj| tnl| yje| oqw| ije| tnq| bmw| fam| fxr| rhr| afd| yhg| yrr| frk| bik| qev| idj| pzr| njw| vaq| dtd| pdz| pue| lhl| xpg| afo| kno| ivr| mkw| zxx| bdw| sqk| bwc| jwe|