More than 3 years have passed since last update.

DQウォークのレベルアップに必要な経験値の数式モデルを求める（2）

Last updated at 2020-01-31Posted at 2020-01-31

#概要（TL;DR）

前回、データの確認を終えたので、次は数式モデルを算出する。
（現在勉強中なので間違い等をどんどん指摘してもらえたら嬉しいです。）

回帰分析

##まずは必要なライブラリ郡を取り込む

import pandas as pd
import numpy as np
import scipy as sp

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import linear_model
sns.set()

%matplotlib inline
%precision 3

データをread_csv()で取り込む。

df = pd.read_csv('data.csv',names=['EXP'])
df['CUMSUM_EXP'] = df['EXP'].cumsum()
df.index = df.index + 1
df.head()

sklearnのlinear_modelにデータを食わせる

まずは次のレベルまでに必要な経験値

reg = linear_model.LinearRegression()
 
X = df.index
Y = df['EXP']
# 予測モデルを作成
reg.fit(X, Y)
# 回帰係数
print(reg.coef_)
# 切片 
print(reg.intercept_)
# R2（決定係数）
print(reg.score(X, Y))

jupyterの実行結果にいてつくエラーがほとばしる!!

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-54-69fa63dab1be> in <module>
      6 Y = df['EXP']
      7 # 予測モデルを作成
----> 8 reg.fit(X, Y)
      9 # 回帰係数
     10 print(reg.coef_)

/usr/local/lib/python3.7/site-packages/sklearn/linear_model/base.py in fit(self, X, y, sample_weight)
    461         n_jobs_ = self.n_jobs
    462         X, y = check_X_y(X, y, accept_sparse=['csr', 'csc', 'coo'],
--> 463                          y_numeric=True, multi_output=True)
    464 
    465         if sample_weight is not None and np.atleast_1d(sample_weight).ndim > 1:

/usr/local/lib/python3.7/site-packages/sklearn/utils/validation.py in check_X_y(X, y, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, warn_on_dtype, estimator)
    717                     ensure_min_features=ensure_min_features,
    718                     warn_on_dtype=warn_on_dtype,
--> 719                     estimator=estimator)
    720     if multi_output:
    721         y = check_array(y, 'csr', force_all_finite=True, ensure_2d=False,

/usr/local/lib/python3.7/site-packages/sklearn/utils/validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    519                     "Reshape your data either using array.reshape(-1, 1) if "
    520                     "your data has a single feature or array.reshape(1, -1) "
--> 521                     "if it contains a single sample.".format(array))
    522 
    523         # in the future np.flexible dtypes will be handled like object dtypes

ValueError: Expected 2D array, got 1D array instead:
array=[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
 49 50 51 52 53 54 55].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

どうやら、Xは2DのArrayを求めているらしい。確かにsklearnのリファレンスにも下記の様に書いてある。

ということで、若干乱暴ではあるが、二次元のArrayを用意する。

X = []
for i in range(1,56):
    X.append([i])

いざ

reg = linear_model.LinearRegression()
 
Y = df['EXP']
# 予測モデルを作成
reg.fit(X, Y)
# 回帰係数
print(reg.coef_)
# 切片 
print(reg.intercept_)
# R2（決定係数）
print(reg.score(X, Y))

よしたかは、回帰分析に成功した！
(数式はjupyterのMarkdownで別に書いてます。)

息をするように可視化する。

plt.plot(df.index,df['EXP'],label="EXP")
plt.plot(X,reg.predict(X),label="LinearRegression")
plt.xlabel('LEVEL')
plt.ylabel('EXP')
plt.grid(True)

これは全然ダメだ・・・・。確かにR2が0.377なので全く意味をなしていない。
（別に良いんです、これはあくまでも勉強なんです。）

次はあるレベルまでに必要な累積経験値

reg2 = linear_model.LinearRegression()
 
Y2 = df['CUMSUM_EXP']
# 予測モデルを作成
reg2.fit(X, Y2)
# 回帰係数
print(reg2.coef_)
# 切片 (誤差)
print(reg2.intercept_)
# R2（決定係数）
print(reg2.score(X, Y2))

息をするように可視化

こちらも全然ダメだ・・・・。確かにR2が0.575なので、先ほどよりはましとは言え全く意味をなしていない。
（別に良いんです、これはあくまでも勉強なんです。）

多次元化

流石に1次式ではダメなのは明らかなので多次元化してみる

二次元化

まずは説明変数を作る

D1 = []
D2 = []
for i in range(1,56):
    D1.append(i)
    D2.append(i**2)
df_x = pd.DataFrame({"D1":D1,"D2":D2})
df_x.head()

##sklearnのlinear_modelにデータを食わせる

まずは次のレベルまでに必要な経験値

reg3 = linear_model.LinearRegression()
X3 =df_x
Y3 = df['EXP']
# 予測モデルを作成
reg3.fit(X3, Y3)
# 回帰係数
print(reg3.coef_)
# 切片 (誤差)
print(reg3.intercept_)
# R2（決定係数）
print(reg3.score(X3, Y3))

###息をするように可視化

plt.plot(df.index,df['EXP'],label="EXP")
plt.plot(X,reg3.predict(X3),label="LinearRegression")
plt.xlabel('LEVEL')
plt.ylabel('EXP')
plt.grid(True)

R2が0.644っと、さっきよりはマシとはいえ、まだまだFitしているとは言い難い。

次はあるレベルまでに必要な累積経験値

reg4 = linear_model.LinearRegression()
X4 =df_x
Y4 = df['CUMSUM_EXP']
# 予測モデルを作成
reg4.fit(X4, Y4)
# 回帰係数
print(reg4.coef_)
# 切片 (誤差)
print(reg4.intercept_)
# R2（決定係数）
print(reg4.score(X4, Y4))

###息をするように可視化

plt.plot(df.index,df['CUMSUM_EXP'],label="CUMSUM_EXP")
plt.plot(X,reg4.predict(X4),label="LinearRegression")
plt.xlabel('LEVEL')
plt.ylabel('EXP')
plt.grid(True)