Skip to main content

カフェの成功予測演習

はじめに：今回のゴール​

皆さん、こんにちは！ この演習では、カフェの店舗データ（cafe_train.csv）を使って、「お店が成功するかどうかを予測するAI（機械学習モデル）」を一緒に作っていきます。

全体の流れは以下の通りです。

  1. 準備： データをGoogle Colabに読み込む
  2. 探索： データの中身をグラフで見て、特徴を掴む
  3. 準備： データを機械が学習できる形に整える（前処理）
  4. 学習： モデルにデータを学習させて、賢くする
  5. 評価： モデルがどれくらい賢くなったか、実力を試す

各ステップで課題を用意しました。頑張って解いていきましょう！

ステップ1：準備 - Colabにデータを読み込む​

まずは、分析の舞台であるGoogle Colaboratory（Colab）を準備し、データを読み込みます。

Colabを開き、ファイルをアップロード​

  1. Google Colabを開き、新しいノートブックを作成します。
  2. 画面左のフォルダアイコンをクリックします。
  3. 「アップロード」アイコンを押し、先生から受け取った3つのファイル (cafe_train.csv, cafe_test.csv, cafe_test_answers.csv) をすべてアップロードしてください。

課題1：データをプログラムに読み込む​

課題： pandas ライブラリを pd という名前でインポートし、cafe_train.csv ファイルを読み込んで train_df という名前のDataFrameに格納してください。その後、head()メソッドを使って最初の5行を表示し、データが正しく読み込めたか確認しましょう。

ヒント： pd.read_csv('ファイル名') を使うと、CSVファイルを読み込めます。

ステップ2：探索 - データの中身をグラフで見てみよう​

いきなりモデルを作るのではなく、まずはデータがどんなものかを知ることが大切です。これを**探索的データ分析（EDA）**と呼びます。

課題2：データの健康診断​

課題： train_df の info() メソッドを使って、データの型や欠けている部分（欠損値）がないか確認してください。どの列に欠損値がありますか？

課題3：グラフで特徴を掴む​

課題： seabornライブラリのcountplot を使って、「出店エリア(area)」と「成功(success)」の関係性を可視化する棒グラフを作成してください。グラフのタイトルも付けてみましょう。

ヒント： seaborn と matplotlib.pyplot をインポートするのを忘れないでください。countplotの引数に x='area', hue='success', data=train_df を指定してみましょう。

ステップ3：準備 - データを機械が学習できる形に整える（前処理）​

機械は「文字」や「空欄」を直接理解できません。モデルが学習できるように、データを綺麗な形に整えましょう。

課題4：欠損値を埋める​

課題： manager_experience 列の欠損値を、この列全体の中央値で埋めてください。

ヒント：

  1. DataFrameの列に対して .median() を使うと中央値を計算できます。
  2. 計算した中央値を使って .fillna() で欠損値を埋めることができます。

課題5：文字を数字に変換​

課題： pandasの get_dummies() 関数を使って、area列の文字データを数値に変換し、不要になった元のarea列を削除（drop）してから、元のtrain_dfと結合（concat）してください。最後に、処理後のDataFrameの最初の5行をhead()で表示して、正しく変換されているか確認しましょう。

補足： get_dummies() が生成するのは、カテゴリに属するかどうかを示す 0 と 1 の値です。これは意味合いとしては「真偽（Boolean）」に近いですが、機械学習モデルはこれを数値として扱います。そのため、ここでは「文字を数字に変換」と表現しています。

ヒント：

  1. まず、area列だけをダミー変数に変換し、新しいDataFrame（例：area_dummies）として保存します。(pd.get_dummies(train_df['area']))
  2. 次に、元の train_df から、area 列を .drop('area', axis=1) を使って削除します。
  3. 最後に、pd.concat() を使って、area列を削除した train_df と、最初に作成した area_dummies を横方向に連結します。(pd.concat([train_df, area_dummies], axis=1))
  4. 一連の処理を終えたDataFrameの .head() を表示して、area 列がなくなり、新しいダミー変数の列が追加されていることを確認しましょう。

ステップ4：学習 - モデルにデータを覚えさせる​

いよいよ、予測モデルを作って学習させます。

課題6：「問題(X)」と「答え(y)」にデータを分ける​

課題： train_df_processed から、予測の答えである success 列を y_train に、問題（特徴量）であるそれ以外の列を X_train に、それぞれ分割してください。

ヒント： DataFrameから特定の列を削除するには .drop('列名', axis=1) を使います。

課題7：モデルを学習させる​

課題： scikit-learn の DecisionTreeClassifier を使って、決定木モデルを学習させてください。モデルのインスタンスを作成し、fit() メソッドで X_train と y_train を使って学習を実行します。

ヒント： from sklearn.tree import DecisionTreeClassifier で必要なものを取り込みましょう。モデルのインスタンスを作成する際は、random_state=42 を指定して結果を固定すると、他の人と結果を比較しやすくなります。

ステップ5：評価 - モデルの実力を試す​

学習したモデルがどれくらい賢いのか、未知のデータ（cafe_test.csv）で腕試しをさせましょう。

課題8：テストデータも同じように前処理する​

課題： cafe_test.csv を読み込み、訓練データと全く同じ手順で前処理を行ってください。

  1. cafe_test.csv を test_df として読み込む。
  2. manager_experience の欠損値を埋める。
  3. area 列を get_dummies で数値に変換し、dropで不要な列を削除してからconcatで結合する（課題5と同じ手順）。
  4. 前処理済みのDataFrameを X_test として準備する。

課題9：予測と答え合わせ​

課題： 学習済みの model を使って X_test の成功予測を行い、その結果を predictions という変数に保存してください。その後、cafe_test_answers.csv を読み込んで実際の答えと比較し、accuracy_score を使ってモデルの正解率を計算しましょう。

ヒント： from sklearn.metrics import accuracy_score が必要です。モデルによる予測は .predict() メソッドで行います。

お疲れ様でした！これで演習は終了です。モデルの性能はどうでしたか？

次のページでは、モデルを保存について学びます。