すぐに仕事で活かせるAI講座　第三部　その２

ここで勘のいい人ならわかると思います。

2011年をピークに、明らかに減っています。
「シンゾー、今年もさらに減らすのか！」とまあ、トランプ大統領でも怒るのは無理ない（笑）
（アメリカにも圧力団体というのは当然あって、小麦を扱う農業団体は、アメリカでも大変強力な圧力団体の一つなのです）

次は、予測モデルを描く
データをひとかたまりとしてみると、6月が最小値（スタート地点としましょう）で、毎月輸出量が一定に、つまり直線的に上昇していき、翌年の５月がピーク地点（ゴール地点としましょう）となり6月に向けて直線的に下向しそう、とだいたい言えます。

これが、データを簡易に扱うためのストーリー、いわゆる"モデル" というものです。完璧に正確でなくてもかまいません。（データ サイエンティストの説明では、上記の直線がモデルとなります）

現実的には、"ノイズ" つまりこの直線に上下した値が　ばらばら＝"分散" して存在している　ことになります。 

仕事では、基本になる理想的な関係（＝直線）が存在すると想定して、その直線周りに、ノイズや不確実性を含むバラバラ、分散した実際のデータがある、と考えてください。

"基本になる理想的な関係からどの程度、バラバラ、つまり分散したデータがあるか" を、データ サイエンティストは、これを"回帰" といっています。
また、基本になる理想的な関係が直線であるため、データ サイエンティストは、これを"線形回帰"といっています。基本的には、まずこの2つだけでも覚えてください。

予測モデルを使用して未来を予測してみる
データをひとかたまりとしてみると、だいたい以下のことが言える、と思います（これが予測モデル）。

１．全体：6月が最小値（スタート地点）で、毎月輸出量が直線的に上昇していき、翌年の５月1週目がピーク地点（ゴール地点）となり6月に向けて急速に減る

2．最小値（スタート地点）：、毎年凸凹ありながらも、相対的には2011年を最高値として減っている（平均するとー２．８％程度）

３．ピーク地点（ゴール地点）：毎年凸凹ありながらも、相対的には2011年を最高値として減っている（平均するとー５．２％程度）

４．全体：毎年凸凹ありながらも、相対的には2011年を最高値として減っている（平均するとー２．４％程度）

上記の条件を入手したデータに当てはめると、“だいたい”上記の図のようになります。