中島_backup の履歴(No.23)

B3 前期授業スケジュール

	月曜日	火曜日	水曜日	木曜日	金曜日
1-2					研究会
3-4		卒論1			研究会
5-6	卒論1	ディジタル信号処理	卒論1	卒論1
7-8					技術者倫理
9-10		研究会		&size(px){Text you want to change};
11-12

&ref(): File not found: "ダッシュストーム.jpg" at page "中島"; &ref(): File not found: "ダッシュストーム.jpg" at page "中島"; &ref(): File not found: "ダッシュストーム.jpg" at page "中島"; &ref(): File not found: "ダッシュストーム.jpg" at page "中島"; &ref(): File not found: "ダッシュストーム.jpg" at page "中島"; &ref(): File not found: "ダッシュストーム.jpg" at page "中島";

&ref(): File not found: "栗松.jpg" at page "中島"; &ref(): File not found: "栗松.jpg" at page "中島"; &ref(): File not found: "栗松.jpg" at page "中島"; &ref(): File not found: "栗松.jpg" at page "中島"; &ref(): File not found: "栗松.jpg" at page "中島"; &ref(): File not found: "栗松.jpg" at page "中島";

メモ

離散選択モデル　支払い意思　どんな条件があれば他の条件よりもお金を払えるか

ヘドニックアプローチ　価格に影響を与える要因を分析する

離散選択モデル　どのような属性の組み合わせが消費者に選ばれやすいのかを分析。　価格だけでなく、消費者選好の観点から選択確率を考慮することが可能

交絡因子の影響を排除することはできない。

→操作変数法を利用することで、未観測の交絡因子が存在しても、対象の要因・効果を推定する方法。

どのような消費者がある属性に対して強い選好を持っているか

→構造推定

3.3限界支払い意思額

変数選択法　種類
全探索法

逐次選択法
（前進選択法
後退選択法
ステップワイズ選択法）

正則化法
（リッジ回帰
ラッソ回帰
Elastic Net）

相関分析
主成分分析
boruta法
AIC/BICの最小化

import pandas as pd

# CSVファイルを読み込む
file_path = r"C:\Users\tn011\Downloads\富山取引のほう　富山市のみ 2\富山取引のほう　富山市のみ\df_housing_toyamacity.csv"
df = pd.read_csv(file_path)

# 元号から西暦への変換関数
def convert_gengo_to_seireki(gengo_year):
    if '令和' in gengo_year:
        year = int(gengo_year.replace('令和', ''))
        return 2018 + year  # 令和は2019年から
    elif '平成' in gengo_year:
        year = int(gengo_year.replace('平成', ''))
        return 1988 + year  # 平成は1989年から
    elif '昭和' in gengo_year:
        year = int(gengo_year.replace('昭和', ''))
        return 1925 + year  # 昭和は1926年から
    elif '大正' in gengo_year:
        year = int(gengo_year.replace('大正', ''))
        return 1911 + year  # 大正は1912年から
    elif '明治' in gengo_year:
        year = int(gengo_year.replace('明治', ''))
        return 1867 + year  # 明治は1868年から
    else:
        return None  # 元号が認識できない場合

# 例: '元号'という列が元号を含むと仮定
if '元号' in df.columns:
    df['西暦'] = df['元号'].apply(convert_gengo_to_seireki)

# 変換結果をCSVとして保存
output_path = r"C:\Users\tn011\Downloads\富山取引のほう　富山市のみ 2\富山取引のほう　富山市のみ\df_housing_toyamacity_with_seireki.csv"
df.to_csv(output_path, index=False)

やること

from sklearn.linear_model import ElasticNet
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_regression
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# CSVファイルのパスを指定してください
file_path = "C:/Users/nt011/Desktop/研究/富山取引のほう富山市のみ/変数選択/変数作成後新.csv"

# CSVファイルの読み込み
df = pd.read_csv(file_path, encoding='cp932')  # 文字コードが異なる場合は、'utf-8' を他のエンコーディングに変更してください

# 特徴量とターゲットの分割
X = df.drop(columns=['取引価格（㎡単価）'])  # 取引価格（㎡単価）をyとして分離
y = df['取引価格（㎡単価）']  # ターゲット変数

# 🔥 標準化の実施
scaler_X = StandardScaler()
scaler_y = StandardScaler()

X_scaled = scaler_X.fit_transform(X)  # Xの標準化
y_scaled = scaler_y.fit_transform(y.values.reshape(-1, 1)).ravel()  # yの標準化

# データ分割
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_scaled, test_size=0.2, random_state=42)

# 訓練データの一部を使用
X_sample, _, y_sample, _ = train_test_split(X_train, y_train, test_size=0.8, random_state=42)

# 2. パラメータグリッドの設定
param_grid = {
    'alpha': np.logspace(-5, 0, 10),  # alpha1の探索範囲 (正則化パラメータ)
    'l1_ratio': np.linspace(0.0001, 1.0, 10)  # l1_ratio1の探索範囲 (L1とL2の比率)
}

# パラメータ名を変更（alpha -> alpha1, l1_ratio -> l1_ratio1）
param_grid = {'alpha1': param_grid['alpha'], 'l1_ratio1': param_grid['l1_ratio']}

# 3. ElasticNetモデルの初期化
elastic_net = ElasticNet(max_iter=10000, random_state=42)

# 4. グリッドサーチCVの設定
grid_search = GridSearchCV(
    estimator=elastic_net,
    param_grid={'alpha': param_grid['alpha1'], 'l1_ratio': param_grid['l1_ratio1']},  # 変更した名前に対応
    cv=5,  # 5分割交差検証
    scoring='neg_mean_squared_error',  # 評価指標: 平均二乗誤差の負値
    verbose=1,
    n_jobs=-1  # 並列実行
)

# 5. グリッドサーチの実行
grid_search.fit(X_sample, y_sample)

# 6. 最適なパラメータとスコアの取得
best_params = grid_search.best_params_
best_params_renamed = {'alpha1': best_params['alpha'], 'l1_ratio1': best_params['l1_ratio']}
best_score = grid_search.best_score_

print("最適なパラメータ:")
print(best_params_renamed)
print("最良のスコア (平均二乗誤差の負値):")
print(best_score)

研究会(中島)

専門ゼミ(中島)

引き継ぎ(中島)

メモ(中島)

中間発表(中島)

中間発表システムまとめ(中島)

本論(中島)

B3 前期授業スケジュール