3
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

開志専門職大学情報学部Advent Calendar 2023

Day 2

室内温度の予測モデル構築

Last updated at Posted at 2023-11-26

はじめに

実際に自分で集めたデータを用いて、機械学習の予測モデル構築をしたい。
自室の温度の予測モデルを構築することにしました。
その、データ取得からモデル作成、評価までの道のりを書きました。

この記事は、以下の記事と関係しています。

予測内容

  • 説明変数

    • 新潟県の気温(℃)
    • 新潟県の湿度(%)
    • 新潟県の降水量(mm)
    • 新潟県の日射量(MJ/㎡)
    • 新潟県の風速(m/s)
    • 新潟県の気圧(hPa)
  • 目的変数

    • 室内温度(switchBot 温湿度計によって計測される室内の温度(℃))

データの準備

  • 気象庁のHPか新潟県のら気象データのダウンロード

    • url : https://www.data.jma.go.jp/gmd/risk/obsdl/
    • 地点 : 新潟県
    • 期間 : 2023 年 10 月 10 日 ~ 2023 年 11 月 14 日
    • 項目 : 気温、降水量、日照時間、風向・風速、全天日照量、現地気圧、相対湿度、露点温度、雲量
  • 室内の気温データ

    • switchBotから温湿度計のデータをダウンロード
    • 地点 : 新潟県新潟市某所
    • 期間 : 2023 年 10 月 10 日 ~ 2023 年 11 月 14 日
    • 項目 : 温度
  • 新潟県の気温と室内温度のグラフ
    before_predict.png

  • 訓練データとテストデータの割合

    • 70% : 30%

予測モデル構築

  • LinearRegression

    from sklearn.linear_model import LinearRegression
    
    model = LinearRegression()
    
    model.fit(x_train, y_train)
    
    y_pred = model.predict(x_test)
    

    test : 実際の測定データ pred : 予測値 train : 新潟県の気温データ
    LR.png


  • SVR (kernel=linear)

    from sklearn.svm import SVR
    
    model = SVR(kernel="linear")
    
    model.fit(x_train, y_train)
    
    y_pred = model.predict(x_test)
    

    test : 実際の測定データ pred : 予測値 train : 新潟県の気温データ
    SVR_linear.png

  • Lars

    from sklearn.linear_model import Lars
    
    model = Lars()
    
    model.fit(x_train, y_train)
    
    y_pred = model.predict(x_test)
    

    test : 実際の測定データ pred : 予測値 train : 新潟県の気温データ
    Lars.png


  • KernelRidge

    from sklearn.kernel_ridge import KernelRidge
    
    model = KernelRidge()
    
    model.fit(x_train, y_train)
    
    y_pred = model.predict(x_test)
    

    test : 実際の測定データ pred : 予測値 train : 新潟県の気温データ
    KR.png


モデル評価

  • モデルの評価方法

    • MAE : 平均絶対誤差
      • 予測値と実際の値との絶対的な差の平均を表します。
      • MAEの最小値は0で、値が0に近いほどモデルとデータがよく当てはまっていることを示します。
      • 例えば、mae = 1.323942だった場合、
        そのモデルの予測は平均 1.323942 ずれているということがわかります。
      MAE = \frac{1}{N} \sum|y_i - \hat{y_i}|
      
      • python
        from sklearn.metrics import mean_absolute_error
        mae = mean_absolute_error(y_test, y_pred)
        

    • MSE : 平均二乗誤差
      • 予測値と実際の値との差の二乗の平均を表します。これは、大きなエラーをより重視するためのメトリクスで、予測エラーが大きい場合にはMAEよりも大きな値を示します。
      • MSEの最小値は0で、値が0に近いほどモデルとデータがよく当てはまっていることを示します。
      MSE = \frac{\sum_{i=0}^{N-1} (\mathbf{y}_i - \hat{\mathbf{y}}\_i)^2}{N} 
      
      • python
        from sklearn.metrics import mean_squared_error
        mse = mean_squared_error(y_test, y_pred)
        

    • R2 : 決定係数
      • R2は、モデルがデータの変動をどれだけ説明できるかを示す指標です。
      • 1に近いほどモデルの予測精度が高いと評価されます。
      • 具体的には、全変動(全データが平均からどれだけばらついているか)のうち、モデルが説明できる変動の割合を示します。
      R^2 = 1 - \frac{\sum_{i = 1}^n ( y_i - \hat{y}_i ) ^2}{\sum_{i = 1}^n ( y_i - \bar{y} ) ^2}
      
      • python
        from sklearn.metrics import r2_score
        r2 = r2_score(y_test, y_pred)
        

  • 評価結果

    モデル MAE MSE R2
    LinearRegression 1.4475982744109843 3.1562012498508447 0.5523273101586398
    SVR (kernel=linear) 1.4782935724471926 3.3019821622216803 0.5316498792845268
    Lars 1.355224203216034 2.5246931640257815 0.6418998377188626
    KernelRidge 1.2644409319197556 2.606269407541983 0.6303291381749798

まとめ

LarsのMAE(平均絶対誤差)が1.355224203216034だったので、そこそこの精度で予測できているとおもいます。
しかし、データの数が少なく、季節性変動をうまく予測できていないように見受けられます。グラフを見ると、テストデータの10月のはじめは、うまく予測できていますが、11月に入ると予測精度が落ちます。
そのため、もっと多くのデータを収集する必要があると感じました。

参考文献

3
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
3
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?