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

Last updated at 2025-10-28Posted at 2025-10-28

AIでデータ分析-ハイパーパラメータチューニング：回帰木で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：回帰木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。

今回は回帰木で従業員の給料を予測し、精度を確認していきたいと思います。

その際、AIが出力する最適なハイパーパラメータとどちらがモデルの精度が高くなるか、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

アルゴリズムに回帰木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。

ハイパーパラメータは

max_depth=5, min_samples_leaf=1, min_sample_split=2で

MSE=約1172122

MAE=約794

MAPE=約0.16

R2=約0.94

でした。

分析の所要時間は20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、object型の列にはダミー変数化する４、決定木で学習し、グリッドサーチcvでハイパーパラメーターチューニングを行う（scoringはneg_mean_squared_errorを用いる。cv =５とする）。５、最適ハイパーパラメータとモデルの評価指標として、MSE,MAE,MAPE,決定係数を求めて表示する」と入力し、実行します。