Kaggleの前に・・
＜モデル作成の流れ＞
１．パッケージ、ライブラリのimport
２．データ読み込み
a)エンコーディング（機械学習が使えるよう変換）
・独立変数
・ワンホットエンコーダー：分類を数値化
・ダミー変数トラップ：多重共線性
・従属変数
・ラベルエンコーダー
３．探索的データ分析（EDA）
・列を変換
・
３．探索的データ分析（EDA）
４．特徴量エンジニアリング
５．アルゴリズムの学習とモデル作成
・訓練データセットとテスト用データセットの分割
・学習
６．予測
＜機械学習の種類＞
- 教師あり学習：入力から出力を識別・予測（連続値：回帰問題、離散値：分類問題）
- 教師なし学習：入力データそのものが持つ構造・特徴が対象、出力がない
- 強化学習：行動を学習する仕組み、目的とする報酬を最大化
＜重回帰分析 変数の考え方＞
１．All-in ぜんぶ使う
２．Backward Elimination 変数減少法
→ P値が有意水準よりも大きければその独立変数を除外
小さくなればモデル完成
３．Forward Selection 変数増加法
→ 最も低いP値を求める、変数を追加して改めて独立変数
でモデルを作り、p値が低い変数を見つけその値が有意
水準よりも小さければモデルに組み込み
４．Bidirectional Elimination 2.3を繰り返し行いモデル作成
５．All Possible Models 全部モデルを試す・・・
＜ライブラリ＞