第502話｜もし〜だったら、結果は変わっていた
— 予測を「変える一手」を教えてくれる説明 —
予測モデルの判断について「理由を説明できるようにしよう」という話は、すっかり定着しました。 しかし、中身がブラックボックスのままでは現場が納得しない。だから、なぜその予測になったのかを示せるようにする。 ここまでは、多く...
RECENT ARTICLES
第502話｜もし〜だったら、結果は変わっていた
欠損値処理シリーズ 第8回：
時系列データの欠損値補完 — LOCF / NOCB / 線形補間
ここまでの第5〜7回では、Titanic データのような 順序を持たないデータ の補完を扱ってきました。 第5回：単変量補完① — 定数・任意値での補完（pandas と SimpleImputer） https://w...
Python 時系列分析 1,000本ノック
– ノック89: Expanding Window と Sliding Window –
問題 答え 解説 次の Python コードは Expanding Window と Sliding Window の予測精度を比較しています。2つの手法の本質的な違いは何ですか？ Python コード: import ...
第501話｜もし〜だったら、結果は変わっていた
— 予測を「変える一手」を教えてくれる説明 —
予測モデルがはじき出した結果は、専用の手法で分析すれば、その理由まで読み解けます。 「収入に対して借入が多いから」 「この商談は競合が強いから」 たしかに、もっともな説明です。 けれども、その説明を聞いたあと、私たちの心...
第500話｜「正しさ」より「納得」が人を動かす — XAIが解くモデル採用のジレンマ
精度95％の高性能な予測モデルが、現場で使われないまま放置されている。 その隣で、精度80％ほどの、少し見劣りするモデルが、すんなり受け入れられて活躍している。 こんな逆転劇が、実際のビジネスの現場ではしばしば起こります...
第499話｜人間だって、自分の判断（カンコツ）を説明できていない
私たちは予測モデルに対して、「なぜそう判断したのか、根拠を示しなさい」と当然のように求めます。 理由を語れないモデルは信用できない、ブラックボックスのままでは任せられない、と。 ところが、ここで一度、その問いを自分たちに...
欠損値処理シリーズ 第7回：
単変量補完③ — ランダムサンプル補完で分布を保つ
第6回の最後に、平均値・中央値補完には「分散が縮小し、分布が不自然に歪む」という重要な副作用があることをいお話ししました。 すべての欠損を1つの代表値で埋めるため、その値の周辺にデータが人工的に集中してしまうためです。 ...
Python 時系列分析 1,000本ノック
– ノック88: Ljung-Box検定 –
問題 答え 解説 次の Python コードの Ljung-Box 検定は何を確認していますか？ Python コード: import numpy as np from statsmodels.tsa.arima.mod...
第498話｜予測モデルに「なぜそう判断したの？」と聞く技術（SHAPとLIME）
「精度の高い予測モデルができました」と報告を受けても…… いざ「なぜ、その予測になったの？」と尋ねると答えが返ってこない。 そんな経験はないでしょうか。 よく当たるモデルほど中身が複雑な「ブラック...
Python 時系列分析 1,000本ノック
– ノック87: ヨー＝ジョンソン変換 –
問題 答え 解説 次の Python コードで使用しているヨー＝ジョンソン変換は、ボックス＝コックス変換と比べてどのような違いがありますか？ Python コード: import numpy as np from sci...
【登壇・参加無料】（2026/06/25）
〜小さな工夫で大きな成果！〜
スモールビジネスで使える簡単データ活用術
（東京商工会議所 大田支部 オンライン開催）
商工会議所で、スモールビジネスでもできるAIを使ったデータ活用術のお話しを、こっそりします。 タイトル: 〜小さな工夫で大きな成果！〜 「スモールビジネスで使える簡単データ活用術」 開催日: 2026年6月25日（木）1...
第497話｜当たる予測モデルほど、なぜ「理由」を語れないのか
「精度99％の予測モデルができました」と報告を受けたら、多くの方は頼もしく感じるはずです。 「これだけ当たるなら、もう人間が悩む必要はない」と、そう思いたくなります。 ところが、そのモデルに「なぜ、この顧客は解約すると予...
欠損値処理シリーズ 第6回：
単変量補完② — 平均・中央値・最頻値での補完
第5回で、欠損値を「決まった値」で埋める定数補完についてお話ししました。 そこで、age をゼロで埋めると分布が不自然に歪む様子を見ました。 その問題を解決するのが、今回扱う 平均値・中央値・最頻値による補完 です。 こ...
アパレルチェーンの需要予測（前編）：時系列データを読み解く
全国50店舗を展開するカジュアルアパレルブランド「STYLENOA」（仮名）のMD（マーチャンダイジング）部門では、半年後の春夏シーズンに向けて、主力商品であるベーシックTシャツの生産数量を決めなければなりません。 これ...
Python 時系列分析 1,000本ノック
– ノック86: 差分処理による定常化 –
問題 答え 解説 次の Python コードから、このデータを定常化するために必要な差分の階数はいくつですか？ Python コード: import numpy as np, pandas as pd from stat...
第496話｜「で、これからどうすれば?」に答えてくれる
思考の壁打ち相手としての生成AI
会議でグラフが映し出され、「この結果から何が言えるか?」と問われた瞬間、頭が真っ白になった経験はないでしょうか。 データを見ること自体は誰でもできるようになりましたが、「だから何をすべきか」を考える段階で立ち止まってしま...