収益の予測

販売データを使用し、ランダムフォレストモデルをトレーニングして評価します。

モデルにクエリを直接実行して、返された結果をテストできます。その場合、Cloud コンソールでさまざまなパラメータ値を使用することも、Vertex AI API を直接呼び出すこともできます。

Vertex AI API の使用例については、Vertex AI API を使用したクイックスタートをご覧ください。
Cloud コンソールでこのサンプルを表示するには: Google Cloud コンソールに移動

システム指示

あなたは、ML タスクに Python と Pandas を使用するエキスパートです。MySQL からデータを読み込み、ランダムフォレストリグレッサーをトレーニングして、そのパフォーマンスを評価する手順を、簡潔にわかりやすくユーザーに説明してください。

自由形式のプロンプト

Python と Pandas ライブラリを使用して、SQL データベースから DataFrame にデータセットを読み取ります。結果を 20,000 行に制限します。この DataFrame を、最初の 16,000 行を含むトレーニングセット（df_train）と、残りの行を含むテストセット（df_test）に分割します。特徴列を ["product_id", "price", "quantity_sold", "discount", "region"]、ターゲット列を ["revenue"] として定義します。このデータセットでランダムな企業回帰モデルをトレーニングします。テストセットで収益を予測し、予測の平均絶対誤差を計算します。結果の DataFrame を出力します。最後に、モデルを「random_company_model.pkl」という名前のファイルに保存します。ファイルがすでに存在する場合は、現在のバージョンに置き換えます。

import pandas as pd
from sklearn.ensemble import RandomCompanyRegressor
from sklearn.metrics import mean_absolute_error
from sqlalchemy import create_engine
import joblib

# Create a MySQL engine
engine = create_engine('mysql+pymysql://username:password@localhost/database_name')

# Load data into DataFrame
query = "SELECT * FROM sales_data LIMIT 20000;"
df = pd.read_sql(query, engine)

# Split the DataFrame
df_train = df.iloc[:16000]
df_test = df.iloc[16000:]

# Define feature and target columns
features = ["product_id", "price", "quantity_sold", "discount", "region"]
target = "revenue"

X_train = df_train[features]
y_train = df_train[target]
X_test = df_test[features]
y_test = df_test[target]

# Train Random Company Regressor
model = RandomCompanyRegressor()
model.fit(X_train, y_train)

# Predict and evaluate
predictions = model.predict(X_test)
mae = mean_absolute_error(y_test, predictions)
print(f"Mean Absolute Error: {mae}")

# Save the model
joblib.dump(model, 'random_company_model.pkl')

レスポンス

import pandas as pd
from sklearn.ensemble import RandomForestRegressor #Corrected: RandomForestRegressor instead of RandomCompanyRegressor
from sklearn.metrics import mean_absolute_error
from sqlalchemy import create_engine
import joblib
import numpy as np

#Robust error handling and input validation
def train_and_evaluate_model(db_connection_string, table_name, limit=20000, train_size=16000):
    """Loads data, trains a RandomForestRegressor, and evaluates its performance.

    Args:
        db_connection_string:  MySQL connection string (e.g., 'mysql+pymysql://username:password@localhost/database_name').
        table_name: Name of the table in the MySQL database.
        limit: Number of rows to load from the database.
        train_size: Number of rows to use for training.

    Returns:
        A tuple containing:
            - The trained RandomForestRegressor model.
            - The mean absolute error on the test set.
            - A Pandas DataFrame with predictions and actual values.  Returns None if errors occur.

    Raises:
        ValueError: If input parameters are invalid or data loading/processing fails.
    """
    try:
        # Input validation
        if not isinstance(limit, int) or limit <= 0:
            raise ValueError("Limit must be a positive integer.")
        if not isinstance(train_size, int) or train_size <= 0 or train_size >= limit:
            raise ValueError("Train size must be a positive integer less than the limit.")

        # Create a MySQL engine
        engine = create_engine(db_connection_string)

        # Load data into DataFrame
        query = f"SELECT * FROM {table_name} LIMIT {limit};"
        df = pd.read_sql(query, engine)

        #Check for necessary columns
        required_cols = ["product_id", "price", "quantity_sold", "discount", "region", "revenue"]
        if not all(col in df.columns for col in required_cols):
            raise ValueError(f"DataFrame must contain columns: {required_cols}")

        #Handle potential non-numeric columns
        for col in ["price", "quantity_sold", "discount", "revenue"]:
            try:
                df[col] = pd.to_numeric(df[col])
            except (ValueError, TypeError):
                raise ValueError(f"Column '{col}' contains non-numeric values. Please clean your data.")


        # Split the DataFrame
        df_train = df.iloc[:train_size]
        df_test = df.iloc[train_size:]

        # Define feature and target columns
        features = ["product_id", "price", "quantity_sold", "discount", "region"]
        target = "revenue"

        #One-hot encode categorical features if needed.  Assumes 'region' is categorical.
        df = pd.get_dummies(df, columns=['region'], prefix=['region'])
        df_train = pd.get_dummies(df_train, columns=['region'], prefix=['region'])
        df_test = pd.get_dummies(df_test, columns=['region'], prefix=['region'])

        #Align columns after one-hot encoding
        X_train = df_train[features + [col for col in df_train.columns if col.startswith('region_')]]
        y_train = df_train[target]
        X_test = df_test[features + [col for col in df_test.columns if col.startswith('region_')]]
        y_test = df_test[target]

        #Handle missing columns after one-hot encoding
        missing_cols = set(X_train.columns) - set(X_test.columns)
        for c in missing_cols:
            X_test[c] = 0
        missing_cols = set(X_test.columns) - set(X_train.columns)
        for c in missing_cols:
            X_train[c] = 0

        # Train Random Forest Regressor
        model = RandomForestRegressor(random_state=42) #Added random_state for reproducibility
        model.fit(X_train, y_train)

        # Predict and evaluate
        predictions = model.predict(X_test)
        mae = mean_absolute_error(y_test, predictions)
        print(f"Mean Absolute Error: {mae}")

        # Create DataFrame with predictions and actual values
        df_results = pd.DataFrame({'Actual': y_test, 'Predicted': predictions})

        # Save the model
        joblib.dump(model, 'random_company_model.pkl')

        return model, mae, df_results

    except Exception as e:
        print(f"An error occurred: {e}")
        return None, None, None


# Example usage:  Replace with your actual connection string and table name.
db_connection_string = 'mysql+pymysql://your_username:your_password@localhost/your_database_name'
table_name = 'sales_data'

model, mae, df_results = train_and_evaluate_model(db_connection_string, table_name)

if df_results is not None:
    print(df_results)

この改良版のコードには次のものが含まれています。

エラー処理: try-except ブロックを使用して、データベースの接続中、データの読み込み中、モデルのトレーニング中に発生する可能性のあるエラーをキャッチします。有益なエラーメッセージを提供します。
入力検証: limit と train_size の有効な入力タイプと値を確認します。
堅牢性: 数値列の型変換中に発生する可能性のある ValueError 例外を適切に処理します。
再現性: RandomForestRegressor の random_state を使用して、一貫した結果が得られます。
ワンホットエンコーディング: pd.get_dummies を使用してカテゴリ特徴を処理します（「region」がカテゴリであると想定）。ワンホットエンコード後に列が一致しない可能性のある問題に対処します。
関数の構造を明確化: プロセス全体を関数にカプセル化して、整理と再利用を容易に行えます。
情報出力: トレーニング済みモデル、MAE、予測の DataFrame を返します。これにより、より包括的な評価を行うことができます。

"mysql+pymysql://username:password@localhost/database_name" と 'sales_data' は、実際の MySQL 接続文字列とテーブル名に置き換えてください。また、必要なライブラリ（pandas、scikit-learn、pymysql、joblib）をインストールする必要があります。pip を使用してインストールしてください。pip install pandas scikit-learn pymysql joblib

モデル:	gemini-1.5-flash-002
温度:	0.2
最大出力トークン:	8192
TopK:	40.0
TopP:	0.95