機械学習を用いた東西日本の境界線決定

機械学習を用いた
東西日本の境界線決定
東京大学大学院情報理工学系研究科
電子情報学専攻
gamma

本研究の流れ
1. 自己紹介
2. はじめに
3. 実験方法
4. 結果およびまとめ
5. 参考文献・参考資料
2

自己紹介
 gamma
 群馬県出身
 慶應→東大院(M1)
 研究分野：セキュリティ
 SecCap 受講中
 twitter: @ngkry
3

本研究の動機付け
 東日本と西日本
 文化や言葉が大きく相違
 一方でその境界は曖昧
 困難な境界線の決定
 膨大な判断基準
 出身地ごとのバイアス
 多種多様な情報から
客観的判断を下せる主体の不在
5
機械学習によって東西日本の境界線を決定しよう！

領土をめぐる泥沼の争い
6
Source: http://sun3ene.blog44.fc2.com/blog-entry-246.html

氾濫する数多の境界基準
7
牛肉
豚肉
丸餅
角餅
50 Hz / 60 Hz
フォッサマグナ
ポテトチップス
気象庁
方言
NTT
JR
おでん
鮭
鰤

関連研究
 『東日本・西日本における「鮭と鰤」「豚肉と牛
肉」の購入量』
 高橋洋子，小谷スミ子（2006）
 一般社団法人日本家政学会研究発表要旨集 Vol. 58 p. 4
8
関連研究
事前知識をもとにあらかじめ基準を設定
東西の境界を指定した上で東西判別
当研究
知識ゼロの状態でデータから基準決定
テストデータから作成した基準で東西判別

実験概要
 実験対象
 テストデータ（9県）
 富山，石川，福井，山梨，長野，岐阜，静岡，愛知，三重
 訓練データ（その他38都道府県）
 使用したデータ
 e-Stat（政府統計の総合窓口）から選別
 246変数＋フラグ（東日本/西日本）
 e.g. 面積，人口，農産物，漁獲量...
 実験環境
 RStudio version 0.98.1103
 OS X Yosemite version 10.10.4 (4GB, 1.6GHz i5)
10

実験で用いた手法
 線形判別分析（lda）
 k 近傍法
 決定木
 ニューラルネットワーク
 サポートベクターマシン（SVM）
 バギング
 ブースティング
 ランダムフォレスト
11

k 近傍法における k の設定
 訓練データを用いた
leave-one-out cross validation で比較
 k=1 のとき最も高い精度
 最近傍法
12

各都道府県の東西判別決定基準
1. 最も誤判別率の低い識別器を採用
2. 判別器の多数決により決定
 不自然な境界線が発生するか否かを考慮
 不連続な境界線
 飛び地の発生
 大きく湾曲した境界線（南北を縦断するものが理想）
 関係性の深い都道府県を分断する境界線
 関東甲信越，愛知と岐阜，北陸３県...
14
1. と 2. のいずれの手法を採るべきか？

各判別器の交差確認
 訓練データを用いた
各判別器の leave-one-out cross validation
 SVM の完全勝利
15

誤判別されやすい都道府県
 東京都（5/8）
 線形判別，ニューラル，ランダムフォレスト，
バギング，ブースティング
 各地からの流入により県民性が希薄
 熊本県（4/8）
 最近傍法，ニューラル，バギング，ブースティング
 兵庫県，宮崎県（3/8）
 兵庫県：決定木，バギング，ブースティング
 宮崎県：最近傍法，線形判別，ニューラル
 バギングとブースティング
 同一都道府県を誤判別
 すべて上記の都道府県（3都県）
16
今後
要検討

 多くの県で各判別がほぼ一致
 富山や山梨は評価が二分（テストデータの東端）
 西日本の方が多数
 訓練データも西日本の方が多数（W23-E15）
 ニューラルネットワーク...
17
各判別器によるテストデータの判別結果
線形判別最近傍法決定木ニューラル SVM バギング
ブース
ティング
ランダム
フォレスト
富山県 E W E W W E E W
石川県 W W E W W W W W
福井県 E W W W W W W W
山梨県 W W E W E W E E
長野県 E E E W E E E E
岐阜県 W W W W W E W W
静岡県 W W W W E W W E
愛知県 E E W W E W W W
三重県 W W W W W W W W
E: 東日本
W: 西日本

線形判別分析による東西判別結果
18
飛び地の発生
飛び地の発生

最近傍法による東西判別結果
19
飛び地の発生

決定木による東西判別結果
20
ジグザグな境界

今回得られた決定木
 グレープフルーツの消費量
 多ければ東日本
 少なければ西日本
 訓練データでは誤判別1県（兵庫）
21
事前実験では
鮭（東）と鱒（西），
３世代世帯率（西高東低）など

グレープフルーツの東西差
 東日本は新潟・関東を中心に消費
 グレープフルーツのほとんどは輸入
 西日本はみかんの生産が盛ん
22
出典: 都道府県別統計とランキングで見る県民性
http://todo-ran.com/t/kiji/15697
グレープフルーツの消費量
出典: 都道府県別統計とランキングで見る県民性
http://todo-ran.com/t/kiji/15544
みかんの生産量

ニューラルによる東西判別結果
23

SVM による東西判別結果
24

バギングによる東西判別結果
25
大きく湾曲

ブースティングによる東西判別結果
26
ジグザグな境界

ランダムフォレストによる東西判別結果
27

まとめ
 SVM とランダムフォレストが条件を満足
 本研究では以下のように決定
東日本：山梨，長野，静岡，愛知
西日本：富山，石川，福井，岐阜，三重
 愛知は SVM に準拠
 ニューラルネットワークの調整が不十分？
 今後要勉強
 想像以上に ”綺麗な” 結果
 位置情報無しでも一定程度の判別は可能
28

参考文献・参考資料
 参考文献
 『Rによるデータサイエンスデータ解析の基礎から最新手法まで』
 金明哲（2007）
 森北出版 320 pp.
 参考資料
 e-Stat 政府統計の総合窓口
 http://www.e-stat.go.jp/SG1/estat/eStatTopPortal.do
 都道府県別統計とランキングで見る県民性
 http://todo-ran.com/
 出身地鑑定!! 方言チャート（東京女子大学篠崎ゼミ×ジャパンナ
レッジ）
 http://ssl.japanknowledge.jp/hougen/
 栃木県出身と判別されました
 白地図ぬりぬり
 結果の日本地図を作成しました
 http://n.freemap.jp
29

今後の課題
 データ数や種類の拡張
 パラメータの調整
 ニューラルネットワークを中心に
 新たな機械学習手法の導入
 より細かい判別
 北海道・東北，関東，中部，北陸，関西...
 【次回予告】世界編
 トルコはアジア or ヨーロッパ？
 アドバイス，指摘等々いただけると嬉しいです
30

機械学習を用いた東西日本の境界線決定

More Related Content

機械学習を用いた東西日本の境界線決定

Editor's Notes