新発見の壁、『現場の感』の壁 事例５の２　５次の交互作用

競馬予想の変数、水準増加に備え、練習のため、optunaによる多目的最適化で、５次の交互作用を探してみた。
総組合せ数：計算中
noteは、実験ノートにもなるので、便利。

データセットは、以下のアンケート。
（使わせていただき、ありがとうございます。）

アンケートのダミーデータ（分析ツール練習用）の公開 - 日本インスティテューショナル・リサーチ協会　コラム

データ分析の目的：
　１．GPAの低い学生さんが、アップする方法の相談に来た場合、
　　　対応案（打ち手）を提案する。
　２．対応案は、平均的な学生向け対応案だけでなく、数案提供し、
　　　学生さんが選べるようにする。（個別案件に対応する。）
　　　（これが、機械学習との違い。平均的な学生という幽霊学生を仮定
　　　　しない。多重原因説が扱える質的比較分析のメリット。）　　　

５次の交互作用　探索結果
　約６時間掛かった。並列化処理が可能なので、競馬予想では並列化する。
　（４次の交互作用は、総当たりで、約２時間）
　探索指標（多目的数）は、打ち手の　SN比、感度、水準バランスの３つ
　　　　　　　　　　　　　　　　　　　optunaが３つまでなので。
　下図の＋が、最適化したい方向（特に、目標値という訳ではない。）
　だいたい、+の方向に向かって、探索されており、optunaの凄さが判る。

上図の上段左で、SN比が最大になる場合分けの場合（下図）
アンケートに、以下の回答をした学生さんは、TOEICを頑張れば、GPAを上げることができる。（4次の交互作用より綺麗）
Q12_ 学内のICT環境について =  2.不満
Q09_教員とのコミュニケーション = 3.いくらかうまくいった
Q6_授業の満足度 = 3.どちらでもない
Q05_授業の理解度 = 3.どちらでもない

機械学習では、ここまでで、終わりかと。
１．平均的な学生という理想論、正論。
２．アンケート４条件に当てはまった学生さんしか救済できない。
TOEICが苦手な現実の学生さんは、他の打ち手がほしいところです。
つづく。（競馬予想も急ぎたい。）