全体の流れ

1.目的の明確化
2.データの収集
3.前処理
4.モデル作成
5.モデル学習
6.モデルの予測精度確認
　※精度が悪かったら前処理からやり直し
7.モデルの保存

1.目的の明確化について

上記を定めないと、追加の定義や精度100%まで実施することとなり長時間かかってしまうので注意！

備考

以下、4点を気を付けて収集を行う
①モデル構築に必要なデータは何か
②現状のデータは何があるのか
③データ内にある特徴量はどんなものなのか
④どのくらいのデータ数があるのか

①データの読込み
・データを読込際は、変数（箱）を用意して、データを入れること
・データを読込後は、データの中身を確認することは非常に重要！！
　理由として、
　　①データがきちんと読み込めていなかった
　　②結合時に自身が意図したデータの形となっていなかった
　　③使用するデータではなかった

②データ探索

③仮説構築

➄訓練・検証・テストデータに分割

⑥欠損値・はずれ値の処理

⑦特徴量生成
・特徴量が多すぎると過学習
（学習データに特化しすぎて、テストデータに対応できなること）になる
　リスクがあるので、より関連性の高い特徴量を選択し、精度をあげる
　現在ある特徴量から予測に役経ちそうな情報をデータから加工し、作り出すこと

①モデルに使用するデータの確認
②モデル作成
・説明変数と目的変数のパターンを認識する箱を作成
③モデルに学習データを与える
・箱に説明変数と目的変数のデータを与えて学習させる
④精度確認

予測モデル（アルゴリズム）には、それぞれ得意不得意があるので、
それぞれの目的にあわせて、評価方法を選定すること