本書、初めの二章が

• 第一章　御社の残業がなくならない理由
• 第二章　問題はとにかく「分けて」考える

この本でもっとも重要であり、かつ絡み合っている部分だと信じて、
自分なりに咀嚼した要旨を書いてみます。

まずは前提として仕事には下のような公式があります。

「人間の仕事のキャパシティ ＝ 能力 × 時間 × 効率」

そして、それに対して

• 効率だけはいくらでも上げるころが可能
• 他の二つはちょっと厳しい

という見方が成り立ちます。

そして効率化する上で重要なことは

1. デッドラインの厳守(第一章のテーマ)
2. 大きな問題の細分化(第二章のテーマ)

であるというのが著者の主張です。

ちなみに、これは私が勝手に考えた解釈ですが
「効率化＝走り出さなきゃいけない＆すぐに走り出せる状態を作り出すこと」
です。
以下は、この解釈を元にしています。

1. デッドラインの厳守 – 走り出さなきゃ！

タイトルでもある「残業ゼロ」の肝は、デッドラインのことだと思います。
就業時間というのが、端的に分かりやすいデッドラインであると。

つまり著者があげている下記のような残業の問題点は、
全てデッドラインの緩さにも置き換えられます。

• 問題を顕在化し改善する絶好の機会が、残業によって奪われてしまう
• 残業はホワイトカラーの仕事の効率を確実に落としている
• 有能な女性の戦力化を妨げる
• 現代のドッグ・イヤーでは効率の悪さからくる決断の遅れが命とりになる
• 仕事がつまらなくなる

私の解釈でいえば、デッドラインは
「すぐに走り出さなきゃいけない状態」
を作り出していると言えます。

ただし「走れ！」と言われても、方向とかやり方が分からなければ、どうしていいか分からないもの。
次のことがないとデッドラインというのは、成立しにくいのではないかと思います。

2. 大きな問題の細分化 – 走り出せる！

大きな問題を細分化するとどうなるか。
before→afterでみてみます。

before

• なにをしたらいいかわからず、思いつきであれこれいじりまわしてさらに事態を悪化させる
• もしくは、逆になにもしないで問題が大きくなっていくのを指をくわえて眺めている

after

• 自分ができることや、やるべきことが具体的に見えて、すぐに行動を起こすことができる
• 手も足もでない状態と違い、気持ちがずいぶん楽になってやる気がでる

私の解釈でいえば、細分化は
「すぐに走りだせる状態」
を作り出していると言えます。

1と2の結果

デッドラインによってすぐに走り出さなきゃいけないし、細分化によってそれが可能である、と。

その二つは密接に関係していて、下のような一つの流れとなります。

問題を分解したそのそばから、立ち止まって考えているような余裕のないデッドラインをつけて、どんどん担当者に割り振っていく

すごく論理的で、主張が明快な本です。
後日、第3章以降の要旨も書いてみたいと思います。

ちなみに要旨を読めば良いのかっていうとそんなことはなくて、
ディティールとか具体例、実際の行動に価値があるので
この本は実際に読む価値が大ありだと思います。

早起きって運動と似ている部分がある気がしていて、
「それが良いことは全員分かってるんだけど、デキる人しかやってないこと」
だと思います。

かくいう私も、運動は毎日していても
最近早起きの方はできてないです。

一時は毎朝6:00に起きてジョギングやラジオ体操をしてたのに
最近は仕事に間に合うための8:00です。

そうなると時間に追われている感が出てしまい、
積極的に時間を作りにいっている感がありません。
それはいかんな、と改めて思わされる本でした。

早起きして何かを発信する生活をするか、
会社の就業時間に追随する生活をするか。

6時起きにして、何か始めます。
とりあえずは著者と同じように読書かな。
本読んでレビューを書くことにします。

スペックとか機種名とかのメモがてら。

もともとiMacを持っていたのですが、下の本(オススメ！)を読んで、
ノートPC＋データ通信が欲しいと思うようになりました。

そして昨日、新宿の中古PC屋兼ソフトバンクモバイルの代理店で
ThinkPad X61を買って、C01LCを契約しました。

ちなみに私は昨日までは家でネットが繋がってなかった（PC持ってる意味ナシ！）ぐらいですので、
スペックをそれほど重視していませんし、知識もほとんどないです。

PCやネットは、なんとか使えりゃいいって感じです。

ThinkPad X61 76733AJ

価格.com – Lenovo ThinkPad X61 76733AJ スペック

デフォルトのスペックと違う点は、メモリーが984MB、HDDが70GBでした。

価格は20,000円＋C01LC契約。
PCオンリーなら50,000円で、抱き合わせにより30,000円引きです。

C01LC

SoftBank C01LC | SoftBank

下り最大7.2Mbps/上り最大384kbpsです。

なぜイーモバイルではなくC01LCを契約したかというと、
そこがソフトバンクモバイルの代理店だったからです。

月額1,000～4,980円ということで、2年契約中全く使わなくても
24,000円とPCの値引き幅より安かったので契約しました。

基本的にはイーモバイル網を使っているとのことですが、
性能はイーモバイルには劣るという評であり、使えればラッキーと考えました。

ちなみに2009年12月4日に下りは同じで、
上り最大1.4MbpsのC02LCというのが発売されたそうですが、
私が契約したのは前のモデルです。

使用感

ThinkPadは最高に気持ち良いです。
以上。

C01LCを自宅で使いましたが、特に問題ありません。
iTunesのような大きいファイルをDLする時は多少時間がかかりますが、
YouTube見るとか通常のブラウジング程度では、全くストレスを感じなかったです。

他の場所では試していないので分かりませんが、
少なくとも自宅にネット回線引くのはやめます。
(というか元々ひいてないのですが、選択肢を無くします)

そんなわけで私にとっては、「ThinkPad＋C01LC」というのは、
想定していた以上に良いソリューションだったかと思います。

卒論のために勉強した統計の知識とか、R(統計解析ソフト)の使い方が、
誰かの参考になればと思って公開しておきます。

私が卒論でやったことは、
「賃貸物件検索サイトスマイティの物件データを使用し、物件の条件(予測変数)で賃料(基準変数)を予測する」
というものです。

解析手法は機械学習の一分野である決定木とランダムフォレスト(以下、RF)です。
決定木が一般的なのですが、単独学習で精度が低いことから、
集団学習の中でも優秀とされるRFと併用して比較しました。

この記事の対象者

誰に読んで頂いてもありがたいのですが

• 決定木に関する知識があり
• Rを使ったことがある、もしくは使う予定があり
• RFをしたい人

に向けた書き方をしています。
なので、それ以外の方には不親切な部分があるかも知れないということ、ご了承下さい。

RFの特徴

簡単に、RFの特徴をまとめました。

• 予測精度が高い
• スピードが速い
• 予測変数の重みが算出される
• 多変数、高次元の分析に強い
• 欠損データに強い

決定木を基本としているので、そこから順々に説明してゆきます。

決定木とは

決定木はポピュラーな手法なので、定義だけ紹介します。

決定木とは
「木構造を利用して、入力パターンに対応する予測値を決定するアルゴリズムを表現した手法」
です。

単独学習で、予測精度が低いです。

集団学習とは

単独学習の精度の低さを補う手法です。
集団学習の中でもシンプルな、バギングを例に説明します。

バギングではデータからブートストラップリサンプリングを行い、何度も決定木を行います。
ブートストラップリサンプリングとは、「n個の標本数があるデータから、重複ありでn個を取り出す手法」です。

つまり一つのデータに対して、取り出すオブジェクトの組み合わせを変えながら、何度も決定木を行います。
そして複数の学習結果を統合（後述）して一つのアルゴリズムとします。

集団学習なのでデータの恣意性に左右されにくくなり、
予測精度が安定します。

次に、生成した複数の決定木を統合する方法を説明します。

判別と回帰

集団学習でも決定木と同じく、基準変数が質的か量的かで、
判別の問題となるか回帰の問題となるかに分かれます。

集団学習で判別を行う場合、予測結果は集団の多数決で決まります。
回帰を行う場合、集団の平均で決まります。

RFとは

バギングは全ての予測変数を使用しましたが、RFは予測変数もランダムサンプリングします。
標本、予測変数ともにランダムリサンプリングする手法です。
これによって予測精度やスピードが高まります。

RFの手順

RFの具体的な手順は、下記の通りです。

1. ブートストラップサンプリングし、OOB(Out of Bag)データを取り除く

標本数の数だけ復元抽出するブートストラップサンプリングを行う。
ただし、後に自己検証を行うために、ブートストラップ標本の1/3をOOBデータとして取り除く。

2. いくつかの変数を用いて，未剪定の決定木を生成する

まずは1で抽出した標本データから、m個の変数をランダムサンプリングする。
そしてその変数を用いて、決定木を生成する。
この段階では剪定を行わない。

3. OOBデータでテストを行い，結果に基づいて分類木を構築する

2で生成した決定木をOOBデータに適用して、推測誤差(OOB推測誤差)を求める。
その結果に基づいて新たな分類木を構築する回帰の場合は平均、分類の場合は多数決をとる。

余談ですが

集団学習って何度も(500回とか1000回とか)処理を行うので、
直感的には時間がかかりそうなものですが、実際はむしろ逆です。

小さいまとまり毎に処理した方が早いということだと思います。
ソフトウェア畑の人にしたら当たり前なんでしょうか。

RFの説明はこれまでにして、Rでの実行方法にうつります。

R

1. データセット

まずはデータを用意します。
新宿区の物件データです。

> # データを読み込んで、2/3を推定用、1/3を検証用に分割する
>
> real <- read.csv("rawdata.csv", header=T) # 標本数合計3000
> real.learn <- real[(1:2000),-c(1,11:14)]  # 学習用データ2000
> real.test <- real[-(1:2000),-c(1,11:14)]  # 検証用データ1000
>
> # データの分割を確認
>
> head(real.learn)

       最寄駅 徒歩 専有面積 間取り 築年数 方位       種別   構造 所在階 賃料
2017   早稲田    6     7.29     1R     29   南   アパート   木造      2  3.5
2018 高田馬場   10    12.50     1R     38   南   アパート   木造      2  4.1
2019 西早稲田    1    15.00     1K     32 南西   アパート 鉄骨造      1  4.6
2020   早稲田    7     5.30     1R     24   西 マンション 鉄骨造      3  4.8
2021     中井    6    10.00     1R     21 南東 マンション 鉄骨造      2  5.3
2022   早稲田    4    19.83     1K     44   西   アパート   木造      2  5.6
head(real.test)

> head(real.test)

      最寄駅 徒歩 専有面積 間取り 築年数 方位       種別 構造 所在階 賃料
1 落合南長崎    8    10.00     1K     34   東   アパート 木造      2  3.3
2   高田馬場    8     9.72     1R     44   南   アパート 木造      2  3.6
3   江戸川橋    7    13.00     1R     23   北   アパート   RC      1  4.3
4       中井   11    10.53     1R     34   南   アパート 木造      2  4.7
5       目白   15    12.78     1R     36 南東 マンション   RC      2  5.1
6       中井    6    14.00     1R     27   東 マンション   RC      3  5.4

2. パッケージrandomForestのインストール、ライブラリの呼び出し

RFのパッケージをインストールして、ライブラリを呼び出します。
インストール時において、CRANのミラーサイトはJapan(Tsukuba)を選択。
なぜかJapan(Tokyo)だとダメみたいです。
パッケージrandomForestの詳細に関しては、Packege ‘randamForest’をご覧下さい。

# ランダムフォレストのパッケージ、ライブラリを読み込む

> install.packages("randomForest")
> library(randomForest)

3. 学習

続いて学習を行いますが、ランダムサンプリングなのでシードを固定しなければ結果が毎回変わります。
randomForest関数の引数の意味はこんな感じ。

• 「formula = (基準変数) ~ (予測変数)」と書きます。予測変数の部分を「.」(カンマ)と書くと基準変数以外の全ての変数が予測変数になります
• ntreeは生成する決定木の数を示します。デフォルトが500です
• importance=TRUEは後ほど説明しますが、予測変数の重要度を算出するために使います

最後にplotしたのは誤差の平均平方のグラフです。

>  # シードを固定してから学習
> set.seed(0)
> (real.rf<-randomForest(賃料 ~ . , data=real.learn, ntree=100, importance=TRUE))

Call:
 randomForest(formula = 賃料 ~ ., data = real.learn, ntree = 100,      importance = TRUE)
               Type of random forest: regression
                     Number of trees: 100
No. of variables tried at each split: 3

          Mean of squared residuals: 5.698583
                    % Var explained: 90.11
> plot(real.rf)

基準変数が賃料(量的変数)ということで、random forestのタイプはregression(回帰)になります。
誤差の平均平方が5.698583、変数の説明率が90.11%という結果が出ました。
誤差の平均平方のグラフをみると、決定木が20ぐらいで落ち着き、50以降はそれほど変化しなくなります。

4. 予測

学習用データ、検証用データでそれぞれ予測します。
この場合学習用データを予測するのは、自分自身の予測ですのでそれほど意味のある行為ではありませんが。

それぞれに関して予測値と正解の相関係数を算出します。

> # 学習用データで予測
>
> plot(real.rf)
> real.pred<-predict(real.rf , newdata=real.learn)
> cor(real.pred, real.learn$実質賃料)
[1] 0.9924784

> # 検証用データで予測
>
> real.pred<-predict(real.rf , newdata=real.test)
> cor(real.pred, real.test$実質賃料)
[1] 0.9678588

同じことを決定木でやった場合、
相関係数はそれぞれ0.9946105、0.940806となりました。

つまりRFは

• 自分自身の予測に関しては、完璧ではない

• 新しいデータに対しては、安定した結果を返すことができる

ということが言えます。

5. 予測変数の寄与率

先ほどrandomForest関数でinportance=trueとやったのが、
予測変数の寄与率を算出するためです。

> varImpPlot(real.rf)

グラフの左が精度を基準とした平均値です。
右が樹木を作成する際に計算されたジニ係数の平均値で、変数の重要度を表します。

6. 予測誤差

正解に対する予測誤差の幅は0～64.9%、中央値は4.25%(決定木は5.14%)でした。
どうやって出したかというと、予測の部分で使ったpredict関数の入れ物を実行します。

> real.pred

 2001      2002      2003      ...
 4.908311  4.641344  7.176658  ...

各物件の予測値が出るので、表計算ソフトに張り付けて、うにゃうにゃ(謎)します。

参考

下記のWebサイトが参考になりました。

• 映像奮闘記: ランダムフォレスト(Random Forest)法を用いて株価予測を行ってみた。-01
• 映像奮闘記: ランダムフォレスト(Random Forest)法を用いて株価予測を行ってみた。-02
• ランダム森(Random Forest) – 人の嫌がることを進んでする

書籍でキッチリ学ぶなら、下記の金明哲先生の本がおススメです。

ちなみに金先生はJIN’S PAGEというHPをやっておられまして、
Rの学習の参考になります。

ブラジルに行くと言ってましたが、物価高で諦めました。
旅行者にとっては、日本とほぼ変わらないんじゃないかっていうレベルです。

なので、お隣ながら物価が1/2程度のアルゼンチンに行くことにしました。
2/1～3/23です。

旅行計画

アルゼンチンをぐるっと時計回りする予定です。

首都ブエノスアイレスからスタートします。
東側を南下しながらビーチなど経由して、南部のパタゴニアを目指します。
いければ南極近くまで南下します。

適当なところで西側から北上します。
で、ワインの産地で浴びるほど酒を飲み、
更に北上して、アンデス地方に行きたいと思います。

予定は未定です。
時間的な余裕があれば、周辺国にも行きたいと思いますが、
ずっとブエノスアイレスで過ごす可能性もあります。

予算

50日間での試算です。

航空機代

海外航空券代金   119,800円
外国諸税等        20,760円
成田空港使用料     2,540円
--------------------------
合計金額        143 ,100円

チケットはフォートラベルで見つけた旅人舎さんで予約しました。
成田とブエノスアイレスの往復で、90日以内のfixです。

今回はアルゼンチンをぐるっと一周回る予定なので、特別なカスタマイズなどはしませんでしたが、
inとoutを別の箇所でとることも可能だそうです。

諸税はどこにいっても重くかかるので、
近場の東南アジアに行くよりは割安感があります。

現地での生活費

$30    × 50日間 =    $1,500
$1,500 × 89円/$ = 133,500円

Lonely PlanetによればBudget Travelerは宿が$7～、$25～/dayとのこと。
南のパタゴニア行ったり、北のアンデスも行きたいので、
長距離移動を加味して$30/dayとします。

現在の為替相場は、日本からの旅行に有利です。
この不況下、アルゼンチンはなんだかんだまだ経済が弱いようです。

航空機代 + 生活費

143 ,100 + 133,500 = 276,600円

なんだかんだで、トータル30万円あれば行ける気がします。

ただ最近のように毎日飲み歩いてる場合ではないようで。
そこだけは真剣に悲しいです。

気になったニュース

Googleニュースで調べて、一番気になったニュースです。

中央日報 – ｉＰｏｄの価格が最も高い国は？

今年１０月に発表されたｉＰｏｄ指数によると、ｉＰｏｄ価格が最も高いのはアルゼンチンで３３６．４３ドルだった。最も安い米国は１４９ドルにすぎず、アルゼンチン価格の半分にもならない。

おー、これはもしかしてビジネスチャンス？
勝手に輸出とかしちゃダメなのかなー。
調べてみます。