AIチャレンジ2（経済成長率の予測）

※、ご指摘を受けた事項について、修正いたしました。ご指摘、ありがとうございました。
2023年10月7日

今回は、PythonとKerasを使ってAIを作成してみたいと思う。

　内容は以下の通り。

1. 四半期ベースで日本のGDPが上昇もしくは加工するかを予測するAI

2. データは経産省からダウンロード
   https://www.esri.cao.go.jp/jp/sna/menu.html

3. 四半期経済で成長したかしていないかについて、4つの説明変数を用いて二値分類モデルとKerasで学習

4. これらのソース・データを以下のフォルダにまとめております。
   https://github.com/horiivalue/horiivalue.git/AIチャレンジ2

※細かいインポートは省略させていただきます。

データ

# データをPandasで読み込み
dataset_keizai = pd.read_csv("ritu-jk2322.csv")

# データを5行だけ表示
dataset_keizai.head()

# 列の抜き出し
dataset = dataset_keizai[['国内総生産(支出側)', '家計最終消費支出', '輸出', '民間企業設備','輸入']]

# 列名をリネームする
dataset = dataset.rename(columns={'国内総生産(支出側)': 'keizai', '家計最終消費支出': 'kakei', '輸出': 'export', '民間企業設備': 'minkan', '輸入':'import'})

dataset.head()

データ加工

for i in range(117):
    s = dataset.iloc[i, 0]
    if s > 0:
        dataset.iloc[i, 0] = 1
    else:
        dataset.iloc[i, 0] = 0
dataset.head()

Y = np.array(dataset['keizai'])
X = np.array(dataset[['kakei', 'export', 'minkan', 'import']])
print("Y=", Y.shape, ", X=", X.shape)

from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler()
X = sc.fit_transform(X)
X

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=0)
X_train, X_valid, Y_train, Y_valid = train_test_split(X_train, Y_train, test_size=0.3, random_state=0)

学習と学習効果

# モデルの初期化
model = keras.Sequential()

# 入力層
model.add(Dense(8, activation='relu', input_shape=(4,)))
# 隠れ層
model.add(Dense(8, activation='relu'))
# 出力層
model.add(Dense(1, activation='sigmoid'))

# モデルの構築
model.compile(optimizer = "rmsprop", loss='binary_crossentropy', metrics=['accuracy'])

%%time
# 学習の実施
log = model.fit(X_train, Y_train, epochs=5000, batch_size=24, verbose=True,
                callbacks=[keras.callbacks.EarlyStopping(monitor='val_loss',
                                                         min_delta=0, patience=100,
                                                         verbose=1)],
         validation_data=(X_valid, Y_valid))

plt.plot(log.history['loss'], label='loss')
plt.plot(log.history['val_loss'], label='val_loss')
plt.legend(frameon=False) # 凡例の表示
plt.xlabel("epochs")
plt.ylabel("crossentropy")
plt.show()

# predictで予測を行う
Y_pred = model.predict(X_test)

# 二値分類は予測結果の確率が0.5以下なら0,
# それより大きければ1となる計算で求める
Y_pred_cls = (Y_pred > 0.5).astype("int32")

Y_pred_ = Y_pred_cls.reshape(-1)
from sklearn.metrics import classification_report

print(classification_report(Y_test, Y_pred_))

と、そこそこいい成果が出せたと思います。