モデルの評価 #

評価カードを配置し、テストデータ側と学習カードに結線します。

1. 評価カードを配置し、学習カードとテストデータの時間窓切り出しカードに結線します。
2. 評価カードを開きます。

3. “実行” ボタンを押します。

処理が完了すると、グラフと精度が表示されます。 “評価指標” パネルで確認すると、今回は相関(CORR)が 0.913、誤差(RMSE)が 2.898 なので精度は高いと考えられます。

また上部の俯瞰グラフから予測値と実測値を比較することが出来ます。 離散的な動きのデータであるにもかかわらず、回帰できていることがわかります。

要因の分析 #

要因分析カードを配置し、テストデータ側と学習カードに結線します

要因分析カードの配置 #

1. 要因分析カードを配置し、学習カードとテストデータの時間窓切り出しカードに結線します。
2. 要因分析カードを開きます。

要因分析の実行 #

1. “設定” パネルの “解析対象” の From と To は既存の入力値のまま(評価データの全期間が対象になります)、“丸め幅"を100に設定します。
2. “実行” ボタンを押します。処理が開始されます。
3. 処理が完了すると要因解析結果が表示されます。
4. “ページ” パネルの再生ボタンを押します。

再生ボタンをクリックすると、丸め幅毎に平均化された重要度の値が時刻毎に描画されます。 この図からわかることは、色が濃く出ている R13 が出力に大きな影響を及ぼしていることです。

要因分析の考察 #

ここで、データカードのグラフで R13 と CO を表示してみると以下のようになります。

1. 入力データのカードを開きます。
2. “グラフ” タブを選択します。

3. “期間選択” パネルから区間を選択します。
4. “グラフ表示” パネルから CO と R13 を選択します。

グラフを見ると分かる通り、CO の値が変化するところで R13 が変化しているのがわかります。 また、CO が下がるところで R13 の値が大きくなっていることが分かります。

これは要因の図において濃い青＝強い負の影響（相関）を持っていることと一致します。

まとめ #

これにてNode-AIにおけるモデルの作成と要因分析の一連の流れは終了となります。

さらに、以下のようなチューニングによりモデルの精度を上げてみてください。

• モデルの構造を変化させる
• 移動平均などの前処理を入れる