人材需要の予測
人材需要の予測を行いましょう。
以下の例をご覧ください。
1 | import pandas as pd |
この例では、24ヶ月分のランダムな人材需要のデータを生成し、次の12ヶ月間の予測を行います。
ds列には日付、y列にはランダムな人材需要の指標が入っています。
Prophetモデルを使ってデータを学習し、make_future_dataframe関数で予測期間を設定します。
そして、predict関数を使って予測を実行します。
最後に、plot関数を使って予測結果をグラフ化し、show関数でグラフを表示します。
ソースコード解説
このソースコードは、Prophetを使用してランダムな人材需要の予測を行うための手順を示しています。
以下、各行の詳細な説明です。
1. import pandas as pd:
pandasライブラリをインポートし、データの操作と解析のための機能を提供します。
2. from prophet import Prophet:
ProphetライブラリからProphetクラスをインポートします。
Prophetは、時系列データの予測モデリングに特化したライブラリです。
3. import numpy as np:
numpyライブラリをインポートし、数値計算やランダムなデータの生成などの機能を提供します。
4. np.random.seed(0):
乱数のシードを設定します。これにより、再現性のあるランダムなデータが生成されます。
5. dates = pd.date_range(start='2021-01-01', periods=24, freq='M'):
pandasのdate_range関数を使って、24ヶ月分の日付データを生成します。
開始日は’2021-01-01’で、1ヶ月ごとにデータが生成されます。
6. data = pd.DataFrame({'ds': dates, 'y': np.random.randint(low=50, high=200, size=24)}):
pandasのDataFrameを使って、日付データとランダムな人材需要のデータを組み合わせてデータフレームを作成します。
ds列には日付データが、y列には50から200の範囲でランダムに生成された人材需要のデータが格納されます。
7. model = Prophet():
Prophetクラスのインスタンスを作成し、予測モデルを初期化します。
8. model.fit(data):
Prophetモデルにデータを適合させて学習を行います
。ここで、過去のデータを元にトレンドや季節性を学習します。
9. future = model.make_future_dataframe(periods=12, freq='M'):
予測期間を設定するために、将来の日付データを生成します。periods引数には予測する期間の長さを指定し、freq引数には期間の間隔を指定します。
10. forecast = model.predict(future):
予測を実行し、将来の人材需要を予測します。predict関数は、学習済みのモデルと将来の日付データを入力として、予測結果を返します。
11. fig = model.plot(forecast):
予測結果をグラフ化します。plot関数は、予測結果を可視化するためのグラフを作成します。
12. fig.show(): グラフを表示します。
以上がソースコードの詳細な説明です。
このコードを実行することで、ランダムな人材需要の予測結果をグラフで表示することができます。
結果解説
結果のグラフについて説明します。
Prophetによって生成されたグラフには、以下の要素が含まれています。
1. 元のデータポイント（Observed Data Points）:
グラフ上の黒い点が元のデータポイントを表しています。
これは、予測モデルの学習に使用された実際の人材需要のデータです。
2. 予測値（Trend Forecast）:
グラフ上の黒い線が予測値を表しています。
この線は、Prophetモデルによって予測された人材需要のトレンドを示しています。
トレンドは、データの中で見られる長期的な変化や傾向を表しています。
3. 予測の不確実性（Uncertainty Intervals）:
グラフ上の青い領域が予測の不確実性を示しています。
これは、予測値の周りに描かれた領域で、将来のデータポイントがどの程度のばらつきを持つかを示しています。
一般的に、不確実性が高いほど予測の信頼性が低くなります。
これらの要素を組み合わせることで、Prophetによる人材需要の予測結果が視覚化されます。
グラフを通じて、トレンドや季節性のパターン、予測の不確実性などを把握することができます。
以上が結果のグラフの詳細な説明です。
予測結果を分析する際には、これらの要素を考慮に入れてください