#AI教育

利用者数を予測する

日本のデータサイエンス訓練サイトSIGNATEに投稿しました。ここでは、PJの内容についてとランキングをお知らせしたいと思います。

• 

概要　今回投稿した概要　投稿リンク　暫定評価は 2.5572678 斉藤建一

 

不快指数や風速などの気象データ等から、ポルトガル北東部の森林火災焼失面積を予測するモデルを作成予測しました

山中では消火設備が整備されておらず、交通も不便なため、消火活動が非常に難しいという特徴があります。そのため、森林火災は広範囲に及ぶ危険性が非常に高くなります。
さらに森林は一度消失すると、再生までに長い年月が必要となります。

地球の貴重な環境資源を守るために、森林火災消失面積を予測するモデルを作成

データ概要

課題種別：回帰
データ種別：多変量
学習データサンプル数：258
説明変数の数：13
欠損値：無し

データ説明

---

学習用データ（train.tsv)、評価用データ（test.tsv）

カラム	ヘッダ名称	データ型	説明
0	id	int	インデックスとして使用
1	X	int	モンテジーニョ公園地図内のx軸の空間座標（1～9）
2	Y	int	モンテジーニョ公園地図内のy軸の空間座標（2～9）
3	month	char	月
4	day	char	曜日
5	FFMC	float	FFMC指数【ファインフューエルモイスチャー指数】 ファインフューエルモイスチャーコード（Fine Fuel Moisture Code：FFMC） ごみおよびその他の硬化した微細燃料の含水量を数値で評価したもの。
6	DMC	float	DMC指数【ダフモイスチャー指数】Duff Moisture Code（DMC） 適度な深さの緩やかに圧縮された有機層の平均含水量の数値評価。
7	DC	float	DC指数【干ばつ指数】Drought Code（DC） 深くてコンパクトな有機層の平均含水率を数値で表したもの。
8	ISI	float	ISI指数【初期拡散指数】初期拡散指数（ISI） 予想される火災伝播率の数値評価。
9	temp	float	気温（摂氏）（（F）:2.2～33.30）
10	RH	float	相対湿度（（％）：15.0～100）
11	wind	float	風速（（km / h）：0.40～9.40）
12	rain	float	降雨量（（mm / m2）：0.0～6.4）
13	area	float	森林の焼失面積（（ha）：0.00～1090.84）

※黄色く色付けされた変数が目的変数です（評価用データには含まれません）

 

応募用サンプルファイル（sample_submit.csv）

列目に評価用データの”id”を、2列目に予測した使用者数を記入したファイルを、ヘッダ無しcsv形式で投稿ください。

カラム	ヘッダ名称	データ型	説明
0	無し	int	インデックスとして使用
1	無し	float	予測した利用者数

弊社では、データ分析依頼企業を募集しています。
お気軽にご相談ください。092-437-1110　

利用者数を予測する

日本のデータサイエンス訓練サイトSIGNATEに投稿しました。ここでは、PJの内容についてとランキングをお知らせしたいと思います。

• 

概要　今回投稿した概要　投稿リンク　暫定評価は 0.98667 斉藤建一

 

レンタル自転車の利用者数予測季節情報や気象情報から、レンタル自転車の利用者数を予測しました

2年間の季節情報や気象情報から、各日の1時間ごとのレンタル自転車の利用者数を予測するこのモデルを作成していただきます 。 昨今、観光地や都内でもレンタル自転車を見かける機会が増えてきました。
目的地周辺の散策に便利で、お財布にも優しいレンタル自転車の利用は今後も増えていくと考えられます。

データ概要

課題種別：時系列
データ種別：多変量
学習データサンプル数：8645
説明変数の数：13
欠損値：無し

データ説明

---

学習用データ（train.tsv)、評価用データ（test.tsv）

カラム	ヘッダ名称	データ型	説明
0	id	int	インデックスとして使用
1	dteday	date	日付（2011-01-01～2012-12-31）
2	season	int	季節（1=春, 2=夏, 3=秋, 4=冬）
3	yr	bit	年（0=2011, 1=2012）
4	mnth	int	月
5	hr	int	時間
6	holiday	bit	祝日（1=祝日）
7	weekday	int	曜日（0=日, 1=月…6=土）
8	workingday	bit	平日（0=平日, 1=祝日）
9	weathersit	int	天気（1=晴,やや曇り, 2=薄い霧+曇り,霧+千切れ曇,霧+やや曇り,薄い霧, 3=小雪,小雨+雷雨+千切れ曇,小雨+千切れ曇, 4=大雨+凍雨+雷雨+霧,雪+濃い霧）
10	temp	float	規格化した温度（摂氏）（（t-t_min）/（t_max-t_min）, t_min=-8, t_max=+39）
11	atemp	float	規格化した体感温度（摂氏）（（t-t_min）/（t_max-t_min）, t_min=-16, t_max=+50）
12	hum	float	規格化した湿度（最大値の100で割った値）
13	windspeed	float	規格化した風速（最大値の67で割った値）
14	cnt	int	利用者数

※黄色く色付けされた変数が目的変数です（評価用データには含まれません）

 

応募用サンプルファイル（sample_submit.csv）

列目に評価用データの”id”を、2列目に予測した使用者数を記入したファイルを、ヘッダ無しcsv形式で投稿ください。

カラム	ヘッダ名称	データ型	説明
0	無し	int	インデックスとして使用
1	無し	int	予測した利用者数

弊社では、データ分析依頼企業を募集しています。
お気軽にご相談ください。092-437-1110　

日本のデータサイエンス訓練サイトSIGNATEに投稿しました。ここでは、PJの内容についてとランキングをお知らせしたいと思います。

https://signate.jp/competitions/107/leaderboard 　今回投稿した概要　
　ご確認ください　→　投稿リンク 0.95535 　2/15　

国政調査からの収入予測

教育年数や職業等の国勢調査データから年収が$50,000ドルを超えるかどうかを予測するモデルを作成していただきます

国勢調査は、すべての人を対象として実施される、国の最も重要かつ基本的な統計調査です。調査から得られる情報は，基礎データとして幅広い用途に利用され、国民生活に役立てられています。

今回は国勢調査から年収の予測（$50,000を超えるか否か）に挑戦していただきます。

本コンペを活用して、SIGNATEでのデータ解析・モデル構築を体験してください。

データ概要

課題種別：分類
データ種別：多変量
学習データサンプル数：16280
説明変数の数：14
欠損値：あり

データ説明

---

学習用データ（train.tsv)、評価用データ（test.tsv）

カラム	ヘッダ名称	データ型	説明
0	id	int	インデックスとして使用
1	age	int	年齢
2	workclass	varchar	職業クラス
3	fnlwgt	int	fnlwgt
4	education	varchar	教育
5	education-num	int	教育年数
6	marital-status	varchar	配偶者の有無
7	occupation	varchar	職業
8	relationship	varchar	関係
9	race	varchar	人種
10	sex	varchar	性別
11	capital-gain	int	キャピタルゲイン
12	capital-loss	int	キャピタルロス
13	hours-per-week	int	週あたりの時間
14	native-country	varchar	母国
15	Y	varchar	年収カテゴリ（>50K, <=50K）

応募用サンプルファイル（sample_submit.csv）

1列目に評価用データの”id”を、2列目に予測した年収カテゴリ（>50K, <=50K）を記入したファイルを、ヘッダ無しcsv形式で投稿ください。

カラム	ヘッダ名称	データ型	説明
0	無し	int	インデックスとして使用
1	無し	varchar	予測した年収カテゴリ（>50K, <=50K）

弊社では、データ分析依頼企業を募集しています。
お気軽にご相談ください。092-437-1110　

日本のデータサイエンス訓練サイトSIGNATEに投稿しました。ここでは、PJの内容についてとランキングをお知らせしたいと思います。

https://signate.jp/competitions/1/leaderboard 　斉藤建一
今回投稿した概要　投稿リンク 0.99439 2019/07/15

本コンペを活用して、SIGNATEでのデータ解析・モデル構築を体験してください。
活用するデータは、実際のビジネス環境で得られたもので、マーケティングキャンペーンの効率化を図るためのモデリングを行います。
過去、このデータを使用して書かれた論文によるモデリング精度を超えることを目指し、腕試しがてらコンペに参加してみてください。

データ概要

データ
使用するデータは、ある銀行の顧客属性データおよび、過去のキャンペーンでの接触情報、などで、これらのデータを元に、当該のキャンペーンの結果、口座を開設したかどうかを予測します。

学習用のデータは、27,168名の顧客データとキャンペーンの結果（口座開設の有無）です。
予測する対象は、18,083名のキャンペーンに対する反応（結果）を予測していただきます。

予測に使用する変数（説明変数）は16で、これらの変数は学習用、予測対象の両方のデータに含まれます。
予測対象となる変数は、学習用のデータにのみ含まれます。

変数の詳細や、データ形式については、「データをダウンロード」ページをご参照ください。

本コンペで使用するデータは、以下のサイトおよび論文からの引用です。

Bache, K. & Lichman, M. (2013). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science.

[Moro et al., 2011] S. Moro, R. Laureano and P. Cortez. Using Data Mining for Bank Direct Marketing: An Application of the CRISP-DM Methodology. In P. Novais et al. (Eds.), Proceedings of the European Simulation and Modelling Conference – ESM’2011, pp. 117-121, Guimarães, Portugal, October, 2011. EUROSIS.

データ説明

---

学習用データ（train.tsv)、評価用データ（test.tsv）

予測対象となる目的変数はカラム番号”17″の定額預金申し込み有無です。ただし、検証用データには含まれません。

カラム	ヘッダ名称	データ型	説明
0	id	int	行の通し番号
1	age	int	年齢
2	job	varchar	職種
3	marital	varchar	未婚/既婚
4	education	varchar	教育水準
5	default	varchar	債務不履行があるか（yes, no）
6	balance	int	年間平均残高（€）
7	housing	varchar	住宅ローン（yes, no）
8	loan	varchar	個人ローン（yes, no）
9	contact	varchar	連絡方法
10	day	int	最終接触日
11	month	char	最終接触月
12	duration	int	最終接触時間（秒）
13	compaign	int	現キャンペーンにおける接触回数
14	pdays	int	経過日数：前キャンペーン接触後の日数
15	previous	int	接触実績：現キャンペーン以前までに顧客に接触した回数
16	poutcome	varchar	前回のキャンペーンの成果
17	y	boolean	定額預金申し込み有無（1:有り, 0:無し）

---

応募用サンプルファイル（sample.csv）

応募用ファイルのサンプルデータです。

カラム	ヘッダ名称	データ型	説明
0	無し	int	インデックスとして使用する通し番号
1	無し	float	予測した定額預金申し込みの確率値

※黄色く色付けされた変数が目的変数です（評価用データには含まれません）

弊社では、データ分析依頼企業を募集しています。
お気軽にご相談ください。092-437-1110