「ワークショップの参加人数を予測する」は、pandas と回帰の基礎を学んだ方のための実践コースです。地域のスタジオは材料を用意するため、開催7日前に人数を見積もる必要があります。適切な時点で得られる情報だけを使い、実際の予測誤差を測り、小モデルを単純なベースラインと比べる再現可能な分析を作ります。
2つのガイド付きラボで、予測期限、訓練固定、日付による評価、訓練だけで学ぶ欠損処理、短い回帰 Pipeline を学びます。1つの独立チャレンジで同じ仕組みを別シーズンに適用します。各単元には独立した準備済みデータがあり、ファイルやプロセスを引き継ぎません。合計165分は読解と通常の修正を含む著者の見積もりで、初学者の実測時間ではありません。
学習内容
- 7日前の予約スナップショットを最終予約や開催後スキャンと区別する。
- 後の予測日より前に訓練を固定し、後期のラベル付きワークショップを評価用に残す。
- 訓練行で欠損前処理を学習し、保留集合から学ばず再利用する。
- 人数単位の MAE で連続回帰予測と訓練中央値ベースラインを比べる。
- ワークショップ ID で実測、予測、図の誤差を対応付ける。
- 結果が既知と装わず、未来予測を出力する。
このコースの対象者
基礎回帰を小さく正直な計画手順へ組み合わせたい方を対象にしています。
前提知識： Python 関数、ターミナル入力、pandas の選択と結合、基本的な Scikit-learn 回帰、訓練/テスト分離、入門 Matplotlib が必要です。データと限界を解釈する練習として Choosing Opening Hours from Data を推奨します。
学習環境： ブラウザの WebIDE に独自の合成 CSV、Python、pandas、NumPy、Scikit-learn、Matplotlib を用意しています。ローカルインストールや外部データセットのアカウントは不要です。プログラム、出力、画面ラベルは英語のままです。
よくある質問
モデルはベースラインに勝つ必要がありますか？
ありません。正しい比較でも付加価値がないと分かることがあります。目的は正直な評価で、必須スコアではありません。
多くのモデルを調整しますか？
しません。小さな平均補完と線形回帰の手順を使います。何がいつ分かるのか、誤差が何を意味するかが主要な判断です。
本番の予測ですか？
違います。小データセットは独自の合成教材です。再現可能な流れを示しますが、実際の会場の信頼性を立証しません。
