メンバー

• 熊谷 峰大　　　九州工業大学情報工学部2年
• 小谷 築功 九州工業大学情報工学部2年
• 岡村 和哉　　　九州工業大学情報工学部2年

技術構成

フロントエンド

使用言語

• TypeScript

フレームワーク

• Next.js

ライブラリ

• Three.js
• Tailwind.css
• Recharts

ルーティング

Path : "/" TOPページ

Path: "/input" データ入力・出力ページ

バックエンド

使用言語

• Python

フレームワーク

• FastAPI

インフラ・その他

• AWS EC2
• Docker
• Nginx

API定義

method : POST , path : "/learn" 　機械学習用

リクエスト

{
    "sales": {
        "variable_cost": int  #変動費
        "fixed_cost": int  #固定費
    }
    "sga_expenses": {
        "variable_cost": int  #変動費
        "fixed_cost": int  #固定費
        "workers_linked_expenses": int  #人員連動費
        "investment": int  #投資
    }
    "year_month": date  #年月
}

レスポンス

{
    "total_sales": int 
}

機械学習

使用言語

• Python

ライブラリ

• SKleran
• Pandas
• Numpy

開発環境

• GoogleColab

今回は、重回帰分析をメインに分析を行いました。

分析の際に用いた回帰

• 線形回帰 (LinearRegression)
• リッジ回帰 (Ridge)
• Lasso回帰 (Lasso)
• ElasticNet回帰 (ElasticNet)
• RandomForest回帰 (RandomForest)

手順

1. 与えられたデータセットから、年、月、売上原価の固定費、変動費など必要なデータをPandasを用いて、CSVから抜き取る。

2. 抜き取ったデータを会社のIDでソートを行い、一つのCSVにする。

3. 以下の計算方法で計算を行う。

   • 売上高・営業外収益・特別利益
     • 貸方金額 - 借方金額
   • 上記以外
     • 借方金額 - 貸方金額

4. 説明変数と目的変数に分割する

5. トレーニング用とテスト用データを7:3に分割し、説明変数に正規化を適用する。

6. 学習を行い精度を測る。

回帰選定

何度かテストモデルの提出を行い、その中で一番結果の良かったリッジ回帰を採用しました。

テストモデルの結果

MAE : 55899422.4375 RMSE : 73794467.18013684

今後の課題

SKlearnの用意してくれている、リッジ回帰のクラスには、alphaというパラメータがあり、その設定の仕方でも予測値が変わってくる。(今回alphaの値は15)そのため、最適なalphaの値を決めることができれば、より良い精度になると思う。