こーし

「ラグ特徴量による予測精度向上」についてわかりやすく解説します。本記事では、目的変数yと最も相関係数が大きくなるラグ特徴量（時間遅れ変数）を探索した後、それらのラグ特徴量を用いて予測精度が向上するかを確認します。

「ラグ特徴量（時間遅れ変数）の相関係数」について、PythonのStreamlitライブラリで可視化しながら解説します。本記事を読めば、ラグ特徴量（時間遅れ変数）の相関係数を簡単にチェックできるツールを作成できるようになります！

「デジタル化で疲弊する日本」についてわかりやすく解説します。日本のデジタル赤字が▲5.5兆円になり、どのくらい深刻な問題なのか調べてみたところ、興味深い事実が判明しました。今まさにＤＸに取り組んでいる方はぜひ読んでみてください！

「Borutaによる変数（特徴量）選択」についてわかりやすく解説します。Borutaはランダムフォレストの重要度に基づいた強力な変数選択手法です。本記事を読んでBorutaを簡単に実装できるようになりましょう！

「決定木やランダムフォレストによる重回帰分析」について解説しました。本記事を読めば、非線形の重回帰分析がPythonで簡単にできるようになります！

「部分的最小二乗回帰（PLS）」についてわかりやすく解説します。本記事を読めば、現場でよく使われているPLSについて理解が深まり、実際のデータ解析でPLSを使いこなすことができるようになります！

最近、多くの製造現場に導入されつつあるソフトセンサー。しかし、ソフトセンサーの中身をよく理解していなかったり、メンテナンスができないといった課題が出てきています。そこで本記事では、ソフトセンサーの学習方法について初心者向けに解説します。

「回帰モデルの残差分析（回帰診断法）」についてわかりやすく解説します。残差に隠された貴重な情報をあぶり出し、回帰分析の精度を向上させる方法を、アンスコムの例を用いて解説します。

「化学メーカーのスマートファクトリー構想」について解説します。製造現場におけるDXという視点で、「スマートファクトリー」に焦点を絞り、深掘りしてみましたので、製造業DXに関わる方はぜひ覗いてみてください。

「【2023年度版】化学メーカーのDX戦略」についてまとめました。本記事では化学業界のなかで特にDXに力を入れている３社を抜粋し、DX戦略を比較してみました。DXに取り組もうと考えている方はぜひ参考にしてみてください。