もふもふ技術部

IT技術系mofmofメディア

最終更新日

機械学習で、家賃をいくら出せばオートロックでバストイレ別の物件を賃貸できるか予測する

machine learning Coursera Octave Logistic Regression

前回のエントリで線形回帰で実際に予測することまで出来たので、今回はロジスティック回帰で予測してみます。

機械学習で、ラーメン屋のレビュー件数から評価点がどれくらいになるか予測する

今回は、賃貸情報サイトのSUUMOで、「渋谷駅」で検索した中から、ある程度バラけるようにピックアップして収集したデータを使い、賃貸家賃をインプットして、その家賃で借りれる物件がオートロックかつバストイレ別か予測してみます。

使用データ

1列目: 家賃(月額) 2列目: 築年数 3列目: オートロックかつバストイレ別であるかどうか

※ 築年数は収集したけど今回は使わなかった。

data.tsv

97500    13  1
30000   41  0
31000   47  0
37000   52  0
45000   42  0
72000   43  0
110000  2   1
136000  29  0
164000  6   1
112000  9   1
125000  0   1
36000   54  0
99000   2   1
133000  0   1
36000   54  0
175000  12  1
109000  11  1
110000  5   1
35000   34  0
40000   32  0
184000  0   1
30000   39  0
94500   13  1
87000   15  1
99000   2   1
97500   13  1
80000   51  0
82000   13  0

plotするとこんな感じになる。

graph

plotするための関数はこんな感じ。

function plotData(X, y)

figure; hold on;

positive = find(y==1);
negative = find(y==0);

plot(X(positive, :), 'b+');
plot(X(negative, :), 'ro');

hold off;

end

最急降下法でθを求める

必要な関数を実装する。

sigmoid.m

function g = sigmoid(z)

g = zeros(size(z));
g = 1 ./ (1 + e .^ -(z));

end

costFunction.m

function [J, grad] = costFunction(theta, X, y)

m = length(y);

J = 0;
grad = zeros(size(theta));

J = 1 / m * sum((-y .* log(sigmoid(X * theta))) - ((1 - y) .* log(1 - sigmoid(X * theta))))
grad = 1 / m * sum((sigmoid(X * theta) - y) .* X)

end

Octaveで下記を実行。

load data.tsv;
m = length(data);
X = [ones(m, 1) data(:,1)];
y = data(:,3);

initial_theta = [0;0];

options = optimset('GradObj', 'on', 'MaxIter', 400);

[theta, cost] = fminunc(@(t)(costFunction(t, X, y)), initial_theta, options);

thetaが算出されました。

octave> theta
theta =

  -6.5084e+00
   7.7078e-05

予測してみる

予測するための関数を定義。

predict.m

function p = predict(theta, X)

m = size(X, 1);
X = [ones(m ,1), X];

p = sigmoid(X * theta) >= 0.5;

end

予測してみる。

octave> predict(theta, 60000)
ans = 0

octave> predict(theta, 88000)
ans =  1

渋谷駅周辺では家賃60,000円では、バストイレ別かつオートロックの物件は賃貸出来ないが、88,000円なら賃貸出来そうという結論が出来ました！

例によってあんまり役に立ちそうもない予測でした。