AIでデータ分析-Gradient Boosting：従業員の給料を予測する

Posted at 2025-11-04

AIでデータ分析-Gradient Boosting：従業員の給料を予測する
用いるデータの紹介
まずはPythonで実装する
AIの活用：ChatGPTで実行する
まとめ

AIでデータ分析-ハイパーパラメータチューニング：Gradient Boostingで従業員の給料を予測する

このノートは、分析においてAIを使って何ができて何ができないかを検証するために、実際に試した結果をまとめたノートです。

今回はGradient Boostingで従業員の給料を予測し、最適なハイパーパラメータや精度を確認していきたいと思います。

その際、AIとどちらがよりよい結果が得られるか、試してみたいと思います。AIを用いることでいかに効率化できるのか、体験していただければと思います。

所要時間は20分ほどとなっています。

それでは、さっそく始めていきましょう！

データの紹介

今回検証に用いるデータのサンプルデータは従業員データです。サンプルデータはこちらからダウンロードできます。

1行が従業員１人のデータになっています。列情報としては年齢、性別、婚姻ステータス、部署、職種、給料などがあります。

まずはPythonで実装する

使用するアルゴリズムにGradient Boostingを用い予測モデルを作成→各評価指標でモデルの評価をPythonで実装します。

結果を確認します。

最適なハイパーパラメータは

learning_rate : 0.1

max_depth : 3

min_sample_split : 2

n_estimators : 100

テストデータでの評価は

MSE=約1198761

MAE=約810

R2=約0.941

MAPE : 0.159

でした。所要時間は10分でした。

AIの活用：ChatGPTで実行する

次にAIを使って同じことをするため、chatGPTに従業員データをアップロードし、

「添付のデータを使って下記を実行して。１、給料の列を目的変数、他の列を説明変数（離職の列は削除する）としてデータフレームを切り分ける２、訓練データ7割、テストデータ3割に分割する３、データの前処理としてデータタイプが数値型の列は標準化し、カテゴリ型はダミー変数化する４、アルゴリズムはGradient Boostingを使いハイパーパラメータチューニングで最適なモデルを作る５、モデルの評価指標として、MSE,MAE,,MAPE,決定係数を求めて、最適はハイパーパラメータと一緒に表示する」と入力し、実行します。