モデル比較と選択

まとめ

この章では「このデータにはどのモデルが合うか」を、合成データで条件を制御しながら体系的に調べます。「トレンドだけ」「季節性だけ」「構造変化あり」「間欠需要」など 6 種類の系列に、対数変換・Box-Cox・差分などの前処理と Naive・ETS・ARIMA・Prophet などのモデルを総当たりで組み合わせ、120 通りのパイプラインを MASE で採点します。結果は MASE ヒートマップで俯瞰し、残差の自己相関や分布まで見て「なぜそのモデルが負けたか」を切り分けます。読み終えると、新しい系列を見たときにデータの性質から有望なパイプラインを 2〜3 個に絞り込めるようになります。

直感 #

個別のモデルページでは「ARIMA はこう使う」と学べますが、実務で最初に来る問いは「この売上データには ARIMA と Holt-Winters のどちらが合うか」です。さらに対数変換をかけるかどうかで、同じモデルの MASE が 0.8 から 1.2 に動くことも珍しくありません。この章ではデータの性質・前処理・モデルの 3 軸を同時に動かし、120 通りの結果を 1 枚のヒートマップに並べます。ヒートマップで色の濃い列（苦手なデータ）と薄い行（得意なモデル）を見つけ、残差プロットで理由を確かめる流れを繰り返すことで、「週末が落ち込む系列なら季節 ARIMA、ゼロが多い間欠需要なら Croston」といった判断の勘所が身に付きます。

詳細な解説 #

このチャプターで学べること #

6 種類の合成時系列データを自分で生成し、パターンごとのモデル適性を確認する
対数変換・Box-Cox・差分など前処理がモデル精度に与える影響を定量的に把握する
MASE ヒートマップで 120 通りのパイプラインを俯瞰し、最適な組み合わせを素早く特定する

これがわかるとできること #

新しい時系列データに対して、闇雲にモデルを試すのではなく、データ特性から有望なパイプラインを絞り込める
精度指標だけでなく残差の構造を見て、モデルの改善方向を判断できる
コンペやビジネスの予測タスクで、ベースラインの構築と比較を効率的に回せる

学習の進め方 #

まずベンチマークで 6 種類の合成データを生成し、トレンド・季節性・ノイズの違いを折れ線で眺めます。次に前処理 × モデルのパイプラインを一括実行し、MASE ヒートマップで「どの列（データ）でどの行（モデル）が 1.0 を下回るか」を把握します。最後に間欠需要・複数季節性・構造変化・週末パターンの各ページで残差を分析し、Naive に負けるモデルがなぜ負けるのかを自己相関と残差分布から読み取ります。