データサイエンティストの仮説思考②：データを説明する力（＋未来予測するには「定常性」が大事！）
読書ノート（127日目）
前回に続いて
今回もこちらの本からです。
・日本政府は「AI戦略2019」にて、
デジタル社会の基礎知識（「読み・書き・そろばん」的な素養）
として、すべての国民が「数理・データサイエンス・AI」に関する
知識を身につけることを目標に掲げている
・データドリブン思考とは、データをもとに物事を考えること
・ビジネスパーソンが身につけるべき
6つのデータリテラシーとは
(1)データを読む力
(2)データを説明する力
(3)データを扱う力
(4)データを分類する力
(5)データから法則を見つける力
(6)データから予測する力
この読書ノートでは全5回に分けて
①データを読む力
②データを説明する力
③データを分類する力
④データから法則を見つける力
⑤データから予測する力
を紹介できればと思います。
では、今日は②データを説明する力
についてです。
・データに合わせて適切なグラフ表現を選択する
棒グラフ：データの量（値）を表現
折れ線グラフ：データの推移（変化）を表現
散布図：データの関係性（相関）を表現
円グラフ：データの構成（内訳）を表現
・データサイエンティストは
グラフを読み解く際に3つの事に注目する
例）コンビニの1カ月間の日別売上を3店舗比較する際
特異な値のデータはないか（特異点）
→特に売上が大きい日
データに繰り返し見られる傾向はないか（傾向性）
→平日の売上が高く土日祝は低い
他と比べた際に異なる箇所はないか（相違性）
→他の店舗と比べて特定の日だけ売上が低い
・「Apple to Appleの比較」かを確認
データを比較する際は、同じ性質を持っているもの
同士の比較になっているかを確認する
さて、今回はデータを説明する力
についてでしたが、
言われてみると「そうだよね」と
思うことが多かったです。
中でも、今までグラフを読む時に
特異点、傾向性、相違性の3つに
常に着目できていたかは怪しいので
本書で着目点を整理できて良かったです。
（ここからは本書の内容とは異なります）
時系列データの過去の傾向から
未来を予測しようとしたとき、
以下の4つに分けて考えるようです。
いろいろと探してみたところ
この記事が良くまとまっていたのと
Pythonのコード解説もあり
Pythonで分析を試みる僕にとって
凄く助かりました！
時系列データには大きく分けて
「傾向変動」「季節変動」「循環変動」「不規則変動」の
４つの情報（要因）を持っています。
今回の場合は上から順に
・元データ
①傾向変動（トレンド）
②季節変動
③不規則変動（ノイズ）
となっており、①と②と③を合成すると
元データになります。
さらに、時系列データを使って
未来予測をするためには、
時間によらず（ほぼ）一定のパターンだと
いえる「定常性」を追求するべし。
…ということで、今度はこちらの記事が
分かりやすかったので紹介です。
僕も来週に時間をつくって
Air Passengersのサンプルデータを
Pythonで分析してみようと思います。
ということで、今日は
データを説明する力と、
時系列データの4つの要素と
未来予測には定常性が大事！
についてでした。
それでは皆さんも
よい週末をお過ごしください～！😉✨
この記事が参加している募集
この記事が気に入ったらサポートをしてみませんか？