時系列データ分析ツール Node-AI スクラムマスターの 中野 です！

今回のアップデートでは、新たなAIモデルの一員としてポアソン回帰が追加されました！

ポアソン回帰はカウントデータと呼ばれるデータに対して有効です。
本記事では、カウントデータの例とポアソン回帰の適用例をご紹介します。

詳細な説明はマニュアルもご参照ください。

カウントデータの例

聞き慣れない用語ですが、何か特殊で難しい概念という訳ではありません。

以下のような「シェアサイクル利用台数予測」のチュートリアルで使用されるデータもカウントデータの一例です。

カウントデータとは、言ってしまえば「指で数えるようなデータ」です。

０から始まり、１、２、３、….と続きます。
はい、たったこれだけです。

ポアソン回帰モデル

自転車の利用された台数を数えるのに「マイナス2台」とか言いませんよね？

しかし、多くのAIモデルはそのことを考慮してくれません。
例えばチュートリアルでも使われているMLPモデルでは、予測結果がマイナス2台ということを平気で言ってきます。

実際に人間界でその予測結果を使うには、人間のルール（自転車の利用台数はカウントデータであるということ）で補正してあげる必要があります。そこをAIモデル自身が担保しているのがポアソン回帰モデルです。

実際にMLPとポアソン回帰モデルでの予測結果の違いを見てみましょう。

まずはMLPモデル

一部、マイナスになっている箇所もあります。
次にポアソン回帰

予測結果の全体を見渡しても、必ず0以上の値になっています！

いかがですか？
モデルは作ったものの「予測値がマイナスになって違和感がある」ようなことがあれば、ポアソン回帰をお試しください！