新着記事一覧

面接

キャリア形成・転職 仕事・キャリア

2026/11/1

【40代の転職】転職面接で実際に聞かれた質問

40代で転職活動をすると、「面接では何を聞かれるんだろう?」と気になりますよね。 私の場合は、国内・海外営業を約14年、その後デジタルマーケティングを約2年経験してからの転職。 デジタルマーケティングの経験は浅く、マネージャー経験なし、時短勤務という状況でした。 実際の面接では、基本的な質問に加えて、40代ならではと感じる質問もありました。 今回は、私が実際に聞かれた質問を紹介します。 40代の転職面接で聞かれた基本的な質問 まず聞かれたのは、転職面接では定番の質問です。 これらは事前に回答を準備しておき ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/24

【40代の転職】40代の転職で書類選考は何社通った?

「40代で転職活動を始めたら、書類選考ってどのくらい通るんだろう?」 40代で転職を考えている人なら、気になるところではないでしょうか。 特に私の場合は、デジタルマーケティングの実務経験が約2年。それまでの約14年は国内営業・海外営業で、デジタルマーケティング一筋のキャリアではありませんでした。 しかも、マネージャー経験はなく、時短勤務を希望。 正直、転職活動を始める前から「40代でこの経歴だと、かなり厳しいかもしれない」と思っていました。 実際に12社に応募して、書類選考を通過したのは2社。ただ、その2 ...

続きを読む

転職エージェント

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職エージェントの選び方

転職活動を始めるとき、利用する人も多い「転職サイト」。 転職サイトに登録していると、様々な転職エージェントからスカウトや連絡があります。 私も今回の転職活動では、複数の転職サイトに登録し、その中でスカウトを送ってくれたいくつかの転職エージェントの担当者と実際に話をしました。 そこで感じたのが、「転職エージェントなら、どこでも同じというわけではない」ということです。 求人の紹介方法も違えば、書類添削や面接対策などのサポート内容も違います。 そして何より、担当者によって熱量や相性がかなり違うと感じました。 今 ...

続きを読む

ポケモン

2026/10/23

【ポケモン】40代母親がポケモンGoにはまった理由

「ポケモンGOって、まだやってるの?」そう思う人もいるかもしれません。 実は私も、一度はポケモンGOをやめています。でも今では……かなりハマっています。しかも、40代の母親です(笑)。 今回は、そんな私がなぜ今さらポケモンGOにハマっているのか、その理由を書いてみたいと思います。 リリース当初からプレイ ポケモンGOがリリースされたのは2016年。私もリリース当初からプレイしていました。 「ポケモンが現実の世界に出てくる!」 というだけで当時はとても新鮮で、歩きながらポケモンを探したり、ポケストップを回し ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/23

【40代の転職】転職するか迷ったとき、私が比較したこと

40歳で転職活動を始めました。ただ、私の場合「会社が嫌だから辞める」という転職ではありませんでした。 16年間働いてきた会社には、良いところがたくさんありました。だからこそ、転職を決めるまでにはかなり悩みました。 「今の会社に残ったほうがいいのでは?」 「それでも、これからのキャリアを考えたら転職したほうがいいのでは?」 何度も行ったり来たりしながら、いろいろな条件を比較しました。 この記事では、40代で転職を考えているけれど、今の会社にも不満がなく、転職するべきか迷っている方に向けて、私が実際に比較した ...

続きを読む

ポケモン

2026/10/20

【ポケモン】ポケモンGo リアルイベントの醍醐味

ポケモンGOのリアルイベントに参加してみて、改めて感じたことがあります。 それは、「ポケモンGOって、こんなに人とつながれるゲームだったんだ!」ということ。 普段もポケモンGOをプレイしていますが、家の近所や通勤途中で遊んでいるときは、一人(もしくは子供と)で黙々とポケモンを捕まえています。 知らない人に話しかけることも、ほとんどありません。 ところが、リアルイベントになると、それがちょっと変わります。 そこには、同じようにポケモンが好きな人が全国、そして世界中から集まっている。 「ポケモンが好き」という ...

続きを読む

キャリア形成・転職 仕事・キャリア

2026/10/20

【40代の転職】転職活動のスケジュールと進め方

海外営業からデジタルマーケティングへキャリアチェンジし、やりたい仕事に手応えを感じていたものの、組織変更によってデジタルマーケティングの仕事そのものがなくなってしまったことが、転職を考える大きなきっかけでした。 今回は、その後の転職活動のスケジュールと、実際にどのように転職活動を進めたのかを書いてみたいと思います。 結果的には、3月に本格的に転職活動を始め、4月に転職先を決定、4月22日を最終出社日として、5月は少しゆっくり過ごし、6月から新しい会社で働き始めました。 これから転職を考えている方の参考にな ...

続きを読む

Python 仕事・キャリア

【Python】機械学習(教師あり)ラッソ回帰の実装

説明変数7つのデータを使用して重回帰モデルであるラッソ回帰分析を行ってみます。

※習初学者の勉強のアウトプットですので、もしコードや解釈に間違い等あればご指摘頂けますと幸いです。

ラッソ回帰とは

ラッソ回帰は線形重回帰分析にL1正則化を用いた分析手法です。

L1正則化とは、目的関数にパラメータの絶対値の和を加えた正則化のことであり、他のデータとあまりにも離れた一部のデータの重みを0にし、不要なパラメータを削ります。

データの行数に比べて列数が多い場合には、ラッソ回帰を利用するとよいです。

ラッソ回帰の実装

#必要なモジュールをインポートする
import urllib.request
import zipfile
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Lasso
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

#既にデータ(sample_data)をダウンロード済の前提
# データの読み込み
sample_data = pd.read_excel("./sample_Data.xls")

#読み込んだデータをテストデータ、検証データに分ける
train_X, test_X, train_y, test_y = train_test_split(
    sample_data.drop("Y",axis=1),
    sample_data["Y"], random_state=42)

# ラッソ回帰で回帰分析を行う
model = Lasso() #ラッソ回帰の呼び出し
model_fit = model.fit(train_X, train_y)    #ラッソ回帰の当てはめ
score_lasso = model.score(test_X, test_y)  #決定係数算出
y_predict = model.predict(test_X)  # テストデータを使って予測を行う

#決定係数を表示
print(f"Lasso R2: {score_lasso}")

#偏回帰係数を算出
coef = model.coef_
df_coef = pd.DataFrame(coef).T
df_coef.columns = sample_data.columns[:-1]
df_coef.index = ["Estimated coefficients"]
df_coef = df_coef.round(2)
df_coef

#切片を算出
intercept = model.intercept_
intercept

#偏回帰係数をグラフで描画してみる
plt.bar(df_coef.columns, coef)
plt.xlabel("X")
plt.ylabel("Estimated coefficiance")

解説

# データの読み込み
sample_data = pd.read_excel("./sample_Data.xls")

ダウンロードして保存したExcelファイルをpd.read_excel("ファイル名")で読み込みます。
読み込んだファイルは以下です。sample_dataで表示させることができます。
今回は1000行×8列(説明変数7+目的変数1)のデータを準備しています。

#読み込んだデータをテストデータ、検証データに分ける
train_X, test_X, train_y, test_y = train_test_split(
    sample_data.drop("Y",axis=1),
    sample_data["Y"], random_state=42)

読み込んだデータをtrain_test_splitでテストデータ、訓練データに分けます。test_size, train_sizeを記載して分割割合を指定することができるが、今回は記載なし=デフォルト値で分析を行っている。デフォルト値は、訓練データ:0.75、/テストデータ:0.25の割合。

train_test_splitの引数であるrandom_stateのデフォルト値はNoneが入っており、Noneのままだとデータのランダムな行が固定されません。
つまり、train_test_splitを再実行すると再実行前と異なるtrainデータ、testデータが返されるため、予測結果が都度変わってしまいますので、random_stateにint型の任意の値を設定して行順番を固定します。

random_stateの値は任意だが、プログラミングで使用される乱数シードは「42」がよく用いられています。
全世界で1600万部売れた「銀河ヒッチハイク・ガイド」という書籍の中でこの「42」という数字が出てくるようで、ここからきている模様。

上記の例だと、以下のように分割される。Xには説明変数、yには目的変数を入れます。今回はY列を求めたいので、これをyに入れます。

・train_X
sample_data.drop("Y",axis=1)、つまりsample_dataから一番右の"Y'列をドロップし、かつ1000行*0.75=750行が格納される

・test_X
train_Xの残りの250行が格納される

・train_y
sample_data["Y"]、つまりsample_dataの'Y'列、かつ1000行*0.75=750行が格納される

・test_y
train_yの残りの250行が格納される

train_Xで中身を確認してみると、sample_dataの一番右の'Y'列がドロップされ、750行が格納されているのが確認できます。

test_yも念のため中身を確認してみると、'Y"列の250行が格納されているのが確認できます。

# 線形回帰で回帰分析を行う
model = Lasso() #ラッソ回帰の呼び出し
model_fit = model.fit(train_X, train_y)    #ラッソ回帰の当てはめ
score_lasso = model.score(test_X, test_y)  #決定係数算出
y_predict = model.predict(test_X)  # テストデータを使って予測を行う

Lasso()で線形回帰モデルを呼び出し、model.fit(訓練データX, 訓練データy)で線形回帰モデルを当てはめてみます。

model.score(テストデータX, テストデータ_y)で決定係数を算出します。

model.predict(テストデータ_X)で、モデルを使用して、Xに対するyの予測値を算出します。

#決定係数を表示
print(f"Lasso R2: {score_lasso}")

決定係数を表示させてみます。

決定係数とは、推定された回帰式の当てはまりの良さを表します。0-1の間で表現され、1に近いほど当てはまりがいい=説明変数が目的変数をよく説明している、ということになります。

様々なページを見ると、決定係数が0.5以上だと当てはまりがよいと説明しているものが多いが、絶対的な基準はない模様。
決定係数の平方根=相関係数という関係があるので、例えば0.5の平方根は相関係数0.7となり、強い相関関係があると言えそうです。決定係数0.5はこのような観点から一つの目安となりそう。

今回の0.4009...の平方根を取ってみると、相関係数0.63となるので、かなり相関関係があると言えます。

#偏回帰係数を算出
coef = model.coef_   #偏回帰係数を算出
df_coef = pd.DataFrame(coef).T  #データフレームに変換し転置して説明変数を列にもってくる
df_coef.columns = sample_data.columns[:-1]  #サンプルデータの特徴量名称をデータフレームの列名に割当
df_coef.index = ["Estimated coefficients"] #行にEstimated coeffientsラベルを割当
df_coef = df_coef.round(2) #係数を小数点以下2桁にラウンド
df_coef

偏回帰係数を算出すると、以下のような結果になります。

そもそも偏回帰係数がなんぞやと言うと、「重回帰分析における変数の係数」と定義されています。
ある一つの変数以外を固定し、その一つの変数を1単位増加/減少した際に、目的変数がどれだけ増加/減少するかを意味します。

#切片を算出
intercept = model.intercept_
intercept

切片を算出すると以下のようになる。

つまり、この重回帰式は以下のように記述できます。
y = (0.1)x1 + (0.08)x2 + (0.06)x3 + (-0.14)x4 + (0.12)x5 + (0.0)x6 + (0.01)x7 + 11.9916...

#偏回帰係数をグラフで描画してみる
plt.bar(df_coef.columns, coef)
plt.xlabel("X")
plt.ylabel("Estimated coefficiance")

偏回帰係数がどのくらい影響するか、可視化してみます。

この中だと、X4,X5の影響度が大きいことがわかります。X5の値が大きいとyの値は大きく予測され、一方X4の値が大きいとyの値が小さく予測されます。

  • この記事を書いた人

Haru

会社員。育休2回取得、40代で転職。
職種はデジタルマーケティング。
ポケモン、スノボ、IT系の学び、キャリア、育児について発信していきます。

-Python, 仕事・キャリア
-, , ,