[Ionic](http://ionicframework.com/)で Android アプリを初めて作って公開してみました。

ionic で開発自体は AngularJS ベースということもあり、結構スムーズだったのですが、開発以外の部分で意外とハマったので、その辺り紹介しようと思います。



作ったアプリはこちらです。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/hello-ionic-1-1.png)

~~ダウンロードはこちら(現在は配布しておりません)~~

はい、千葉のローカルバスのアプリです。

では、早速本題へ。

## ionic でアプリ scaffold の作成

まず、ionic の概要についてご存知ない方はこちらを参照してください。

[キミは ionic を知っているか？AngularJS+PhoneGap+美麗コンポーネント群！ | HTML5Experts.jp](https://html5experts.jp/canidoweb/7359/)

最初に ionic を使ってアプリ scaffold を作成します。こちらは公式サイトの手順通りに行えばいいと思います。

[Getting Started with Ionic - Ionic Framework](http://ionicframework.com/getting-started/)

```sh
$ npm install -g cordova ionic
$ ionic start <アプリ名> tabs
$ cd <アプリ名>
$ ionic platform add android
$ ionic serve
```

最後の`ionic serve`すると、アプリの webview 部分がブラウザ上で表示されますので、比較的単純なデバックはこちらで行いながら開発していきます。

### パッケージ名の変更

ionic コマンドでアプリ scaffold の作成した場合は、必ず`config.xml`の`<widget id="">`のパッケージ名を変更してください。  
デフォルトでは`com.ionicframework.<アプリ名+乱数>`のような形式になっています。
これは後でストア公開するときのアプリの公開 ID になります。ストア公開後は変更できませんので必ず変更するようにしてください。

```xml
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<widget id="com.mitsuruog.transitbus"
  version="0.0.1" xmlns="http://www.w3.org/ns/widgets"
  xmlns:cdv="http://cordova.apache.org/ns/1.0">
  <name>アプリ名</name>

  ...(省略)

```

## ionic でのアプリ開発

ionic は AngularJS ベースですので、UI 部分の開発は比較的 AngularJS の知識が流用できます。  
今回は、Cordova で利用頻度の高い plugin を AngularJS のモジュールでラップして使いやすくした、`ngCordova`を利用しました。

[ngCordova - Simple extensions for common Cordova Plugins - by the Ionic Framework Team - by the Ionic Framework Team](http://ngcordova.com/)

導入は、ngCordova の bower モジュールをインストールして、トップレベルの AngularJS モジュールで宣言すると利用できます。

```sh
$ bower install ngCordova --save
```

**app.js**

```js
angular.module("yourApp", ["ionic", "ngCordova"]);
```

ngCordova のそれぞれの plugin を利用するためには、別途 Cordova コマンドにて plugin をインストールする必要があります。詳しくは公式サイトを参照してください。

[ngCordova - Document and Examples - by the Ionic Framework Team](http://ngcordova.com/docs/plugins/)

### 実機での実行、デバック(webview)

実機での実行とデバックは、USB ケーブルで Android 端末の実機と PC を接続してから下のコマンドを実行すると、実機上にアプリがビルドされて実行されます。

```sh
$ ionic run android
```

webview デバックについては、Chrome を立ち上げて`chrome://inspect`することで、実機上の WebView を直接インスペクトすることができます。

手前味噌ですが、以前こんな記事を書いてます。

[Android やってる人で ChromeDevtools の Remote Debugging と Screencasting 知らない人は使ってみた方がいいよ！ - I am mitsuruog](http://blog.mitsuruog.info/2013/12/androidchromedevtoolsremote.html)

### ionic テーマのカスタム

ionic のスタイルは`Sass`で出来ていて、テーマ部分は`_variables.scss`に入っています。上書き用の`.scss`を書いてコマンドを実行すると上書きすることができます。

[Writing a Sass Theme | Formulas | Learn Ionic](http://learn.ionicframework.com/formulas/working-with-sass/)

通常は、`./scss/ionic.app.scss`にカスタム用の scss ファイルがあるので、こちらにカスタムする内容を書いていきます。Sass の環境構築についてはこちらを参照してください。

[Ionic CLI - Using Sass | Ionic Framework](http://ionicframework.com/docs/cli/sass.html)

[Sass: Syntactically Awesome Style Sheets](http://sass-lang.com/assets/img/illustrations/glasses-2087d741.svg)

コマンドの例はこちらです。

```sh
$ sass --watch scss/ionic.app.scss:www/css/ionic.app.css
```

これをプロジェクトのトップレベルで実行すると、`scss/ionic.app.scss`を参照して、`www/css/ionic.app.css`に上書き用の CSS を生成してくれます。  
`index.html`で、この CSS を読み込むとテーマをカスタムすることができます。

**index.html**

```html
<!DOCTYPE html>
<html>
  <head>
    <meta charset="utf-8" />
    <meta
      name="viewport"
      content="initial-scale=1, maximum-scale=1, user-scalable=no, width=device-width"
    />
    <title></title>

    <link href="lib/ionic/css/ionic.css" rel="stylesheet" />
    
    <link href="css/ionic.app.css" rel="stylesheet" />

    ...(省略)
  </head>
</html>
```

あとは、ガツガツ開発していきます。

PC のブラウザ上では正しく表示されているけど、実機だと表示できない・・・  
といった事がよくありますが、気にせず頑張ってください。

その辺りの微妙な不安感を楽しめるかどうかが、ionic と仲良くなるコツです。(うーん、アプリ開発全般で言えることか・・・)

ちなみに、プラットフォームで表示に差異が生じた場合は、CSS を上書きするようなパッチを当てます。  
ionic ではプラットフォームごとに、`platform-android`のような CSS クラスを付与しているので、以下のように追加で CSS を書きます。

```css
.platform-android .hoge {
  color: red;
}
```

### アイコン&スプラッシュイメージ

ionic には、プラットフォームでサイズがまちまちで作成が面倒なアイコンやスプラッシュイメージを、ベースのイメージから自動生成する仕組みが備わっています。

[Automating Icons and Splash Screens | The Official Ionic Blog](http://blog.ionic.io/automating-icons-and-splash-screens/)

`resources/android`フォルダの直下にアイコンであれば`icon.png`、スプラッシュイメージであれば`splash.png`を作成して置いてください。
(ios であれば`resources/ios`に置いてください)

以下のコマンドを実行すると、各プラットフォームごとに画像を生成してくれて、`config.xml`まで書き換えてくれます。超便利。

```sh
$ ionic resources
```

ちなみに、アイコンはこちらから探してきました。

[Clipart - High Quality, Easy to Use, Free Support](https://openclipart.org/)

### google analytics の導入

Web サイト同様にアプリでもユーザーの行動を分析したいので、google analytics を導入します。
ngCordova には GoogleAnalytics 用の plugin がありますが、今回は Android Native SDK v4 対応の別のものを使いました。

[cmackay/google-analytics-plugin](https://github.com/cmackay/google-analytics-plugin)

```sh
$ cordova plugin add com.cmackay.plugins.googleanalytics
```

初期化には少し注意する必要があるので、こちらを参照してください。(使ってるライブラリ微妙に違うけど、雰囲気わかってくれるはず。)

[Using Google Analytics With IonicFramework](https://blog.nraboy.com/2014/06/using-google-analytics-ionicframework/)

View の切り替え時などは、ionic の`ion-view `のライフサイクルイベントをハンドルしてトラッキングします。

**controller.js**

```js
$scope.$on("$ionicView.beforeEnter", function () {
  navigator.analytics.sendAppView("view名");
});
```

どのバス停が人気があるかとか、こっそりトラッキングしてニヤニヤしてます。  
ちゃんと真面目にエラーのスタックトレースも取得してます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/hello-ionic-2-2.png)

> モバイルアプリのトラッキングは Google Analytics 上のアナリティクス設定で新しいプロパティを作成する際に、トラッキングの対象を「モバイルアプリ」にしてください。(普段、Web ページのトラッキングをやっているので、最初うっかりハマってしまいました。)

## 公開準備

アプリの作成が完了しましたので、公開するための準備を行います。

### アプリのビルド

アプリが出来上がったので、リリース用にビルドします。手順は公式サイトを参照してください。

[Publishing your app - Ionic Framework](http://ionicframework.com/docs/guide/publishing.html)

まず、アプリをリリースビルドします。

```sh
$ cordova build --release android
```

これで、`platforms/android/ant-build/MainActivity-release-unsigned.apk`というファイルが生成されます。  
これは unsigned APK(署名なし APK)と呼ばれるもので、このままだと Play store に公開できません。

次に署名を作成します。`keytool`コマンドで private key を生成します。  
この手順は初回 1 回のみです。生成された private key はズッ友なので無くさないように。。。

```sh
$ keytool -genkey -v -keystore <あなたのKeyの名前>.keystore
  -alias <エイリアス名> -keyalg RSA -keysize 2048 -validity 10000

姓名は何ですか。
  [Unknown]:
組織単位名は何ですか。
  [Unknown]:
組織名は何ですか。
  [Unknown]:
都市名または地域名は何ですか。
  [Unknown]:
都道府県名または州名は何ですか。
  [Unknown]:
この単位に該当する2文字の国コードは何ですか。
  [Unknown]:
CN=Unknown, OU=Unknown, O=Unknown, L=Unknown, ST=Unknown, C=Unknownでよろしいですか。
  [いいえ]:  y
```

この例だと、10,000 日間有効な 2,048 ビットの RSA の鍵ペアと自己署名型証明書(SHA256withRSA)を生成するらしい。

次に、`jarsigner`コマンドを使って、APK を署名します。

```sh
$ jarsigner -verbose -sigalg SHA1withRSA -digestalg SHA1
  -keystore <あなたのKeyの名前>.keystore platforms/android/ant-build/MainActivity-release-unsigned.apk <エイリアス名>

キーストアのパスワードを入力してください:
   追加中: META-INF/MANIFEST.MF
   追加中: META-INF/TRANSITB.SF
   追加中: META-INF/TRANSITB.RSA
  署名中: AndroidManifest.xml
  署名中: assets/_where-is-www.txt
  署名中: assets/www/app/animation.css
  署名中: assets/www/app/app.constant.js

...

  署名中: res/xml/config.xml
  署名中: resources.arsc
  署名中: classes.dex
jarは署名されました。

警告:
-tsaまたは-tsacertが指定されていないため、このjarにはタイムスタンプが付加されていません。タイムスタンプがないと、署名者証明書の有効期限(2042-09-01)後または将来の失効日後に、ユーザーはこのjarを検証できない可能性があります。
```

最後に`zipplugin`コマンドで APK を zip 化します。

```sh
$ zipalign -vf 4 platforms/android/ant-build/MainActivity-release-unsigned.apk <アプリ名>.apk

Verifying alignment of transitbus.apk (4)...
      50 META-INF/MANIFEST.MF (OK - compressed)
    7366 META-INF/TRANSITB.SF (OK - compressed)
   14812 META-INF/TRANSITB.RSA (OK - compressed)
   15959 AndroidManifest.xml (OK - compressed)
...

 2413084 resources.arsc (OK)
 2415741 classes.dex (OK - compressed)
Verification succesful
```

コマンドを実行した直下に apk ファイルができているので、これを play ストアにう p すればいい。

[Android においてなぜ zipalign をやる必要があるのか - Qiita](http://qiita.com/kazuqqfp/items/8eae69e309c6ed75d661)

### ストア公開用アイコン&宣伝画像

まず、ストア公開用アイコンと宣伝画像ですね。正直、デザインセンスや画像編集ツール慣れてない身としては、ここが一番コストがかかったとこです。

画像編集ツールはいろいろ試して悩んだ結果。。。

[Keynote](https://www.apple.com/jp/mac/keynote/)が最も使いやすかったので使っています w。
プレゼンテーション用のソフトなんですが、画像編集も便利
です。

アプリのデバイス枠はめ込み画像はこちらで作成できます。

[Device Art Generator | Android Developers](http://developer.android.com/distribute/tools/promote/device-art.html)

### ストア公開用スクリーンショット

続いてはスクリーンショットですが、個人だと手持ちの端末が 1 機種しかないので、タブレットとかの画像がエミュレータで実行したものを利用します。

エミュレータは Genymotion を使っています。

[Genymotion](https://www.genymotion.com/#!/)

導入はこちら。スクリーンショット撮るときに Android Studio の「Android Device Monitor」を使いますので、一緒にセットアップしておきます。

[Genymotion + Android Studio on Mac - Qiita](http://qiita.com/Sam/items/8d551f575b617fa0be7e)

Genymotion 上に作成した apk ファイルをどうインストールするか、少し悩んだのですが、起動した Genymotion のエミュレータに対して apk ファイルをドラッグするとインストールできます。

エミュレータでのスクリーンショットですが、Genymotion から取得する場合は有料プランの機能のようです。  
そこで、下の記事のように Android Device Monitor から実行中のエミュレータをアタッチすることで、スクリーンショットを取得することにしました。

[android emulator - Capture screenshot in GenyMotion - Stack Overflow](http://stackoverflow.com/questions/21771416/capture-screenshot-in-genymotion)

エミュレータが実行されている状態で Android Device Monitor を起動します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/hello-ionic-3-1.png)

実行中のデバイスが表示されるので、「Screen capture」ボタンをクリックします。キャプチャ用の別画面が立ち上がります。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/hello-ionic-3-2.png)

> 他に良い方法あれば教えてください。。。

## 公開

で、いろいろ揃えてストア公開しよう！と思ったら。。。

[Google Play デベロッパー コンソール - 基本事項 - Google Play デベロッパー ヘルプ](https://support.google.com/googleplay/android-developer/answer/6112435?hl=ja)

1 回登録すれば OK です。$25 です。あ、はい。

というわけで無事公開できましたー。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/hello-ionic-3.jpg)

## 最後に

作るのに 4 日。そこから公開まで 3 日くらいかかりました。  
1 日フルで使えた日はないので、実質はもう少し少ないと思いますが、予想より公開準備の部分のコストが掛かったと思います。  
初期の学習コストだと思うので次回以降は半分くらいになると思いますが。。。

普段やっている Web と違って、アプリの世界は結構大変ですね。

いつもエンジニアとしてアプリの機能を開発していますが、このように 1 から自身の手でやってみると、世の中に出ている素晴らしいアプリを作成する裏側でどれくらいの労力が掛かっているか、実感できてよかったです。

特にデザイン周りでは苦労しましたし、デザインスキルを持っている人は本当に素晴らしい。貴重な才能だなと思います。  
また機会があったら作ってみたいと思います。

ではではー。

Androidアプリ開発初心者がionicでアプリを作って公開するまでの7日間の道のり

機械学習(以下、ML)についてもそろそろやったおかないといけないので、Azure Machine Learning(以下、AzureML)を試してみました。
内容はこちらにあるチュートリアルです。

[Create a simple experiment in Machine Learning Studio | Azure](http://azure.microsoft.com/en-us/documentation/articles/machine-learning-create-experiment/)



こちらが上の日本語版です。

[Machine Learning Studio での簡単な実験の作成 | Azure](http://azure.microsoft.com/ja-jp/documentation/articles/machine-learning-create-experiment/)

AzureML の中では、一連の ML の流れを`experiment(実験)`と呼んでいるようです。  
このチュートリアルでは、自動車の価格データを元に分析モデルを機械学習で構築するものです。  
実験の手順を整理するとこちらの通りです。

1.  モデルの作成 2. データを準備する 2. データの前処理をする
2.  モデルのトレーニング 4. トレーニングとテストへモデルを分配 3. 学習アルゴリズムを選択して分析モデルを構築
3.  モデルへのスコア付けとテスト 4. 分析モデルを元に、新しいデータについての予測を行う 5. 結果を評価

ではやってみましょう。

## 1. モデルの作成

### 1.1. データを準備する

まず、学習するためのデータを準備します。今回は、AzureML にビルトインされている`Automobile price data (Raw)`データを利用します。

実験キャンバスの左側の「データセットとモジュールのパレット(以下、パレット)」から Automobile price data (Raw)を選択して、実験キャンバスに Drag&Drop します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-1.png)

データの表示は、データセットの下の出力ポートを右クリックして`Visualize`を選択するとできます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-2.png)

これでデータの準備は OK です。

### 1.2. データの前処理をする

分析を行うためにデータ前処理(加工)を行います。ここでは歯抜けになっている列や行を削除します。

**`normalized-losses`行を削除する。**

データの前処理は`Project Columns`モジュールを利用して行います。パレットから選択してください。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-3.png)

`Project Columns`モジュールを選択すると、右のプロパティウィンドウで内容を参照できます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-4.png)

`Launch column selector`ボタンをクリックすると編集ダイアログが表示されます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-5.png)

内容を変更するとプロパティウィンドウで内容を参照できます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-6.png)

**歯抜けになっている行の除去**

歯抜けデータ除去は、`Missing Values Scrubber`モジュールを利用して行います。パレットから選択してください。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-7.png)

プロパティウィンドウで内容を変更します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-8.png)

下部メニューの`RUN`をクリックすると、実験を実行できますので、ここまでで実行してみてください。
結果の表示はモジュールの下の出力ポートを右クリックして`Visualize`を選択するとできます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-9.png)

なんとなくですが、歯抜けデータの間引きができているようです。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-10.png)

**分析対象列のフィルタリング**

最後に分析するデータをフィルタリングします。フィルタリングは`Project Columns`モジュールを利用して行います。パレットから選択してください。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-11.png)

プロパティウィンドウで内容を変更します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-12.png)

実験を`RUN`してみると、データが正しくフィルタリングできていることが確認できます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-13.png)

ここまでで、データの作成部分が終わりました。  
情報処理の世界にある、「ガーベジイン・ガーベジアウト」という言葉について、ML の世界では特に大事な気がします。

[GIGO](http://www.itmedia.co.jp/im/articles/0609/11/news088.html)

## 2. モデルのトレーニング

続いて、作成したデータに特定の学習アルゴリズムを適用して分析モデルを構築していきます。

> データが準備できると、分析モデルの構築に必要なのは、トレーニングとテストになります。分類と回帰は、2 種類の管理された機械学習の手法です。

- 分類(Classification)は、色 (赤、青、または緑) のような定義された一連の値から予測するために使用します。
- 回帰(Regression)は、人の年齢のような連続した一連の値から予測するために使用します。
  > > [Machine Learning Studio での簡単な実験の作成 | Azure](http://azure.microsoft.com/ja-jp/documentation/articles/machine-learning-create-experiment/)より

今回予測する自動車の価格は、連続した値をとると予測できるので、最も単純な`線形回帰`を用いて学習させていきます。

### 2.1. トレーニングとテストへモデルを分配

作成したモデルをトレーニングとテストへ分配します。今回は 75%をトレーニング、残りの 25%をテストに割り振ります。

分配は、`Split`モジュールを利用して行います。パレットから選択してプロパティウィンドウで内容を変更します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-14.png)

プロパティウィンドウで内容を変更します。

### 2.2. 学習アルゴリズムを選択して分析モデルを構築

線形回帰は、`Linear Regression`モジュールを利用して行います。トレーニングは、`Train Model`モジュールを利用して行います。

ぞれぞれパレットから選択してください。

先ほどの`Split`モジュールの左の出力ポートと`Linear Regression`モジュールの出力ポートを`Train Model`モジュールに接続します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-15.png)

`Train Model`モジュールのプロパティウィンドウで分析するカラムを選択します。今回は`price`を選択します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-16.png)

## 3. モデルへのスコア付けとテスト

最後に、モデル分割で残っている 25%のデータについて、先ほど学習した分析モデルを元に結果の予測を行います。

### 3.1. 分析モデルを元に、新しいデータについての予測を行う

線形回帰は、`Score Model`モジュールを利用して行います。パレットから選択してください。

`Split`モジュールの右の出力ポートと`Train Model`モジュールの出力ポートを`Score Model`モジュールに接続します。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-17.png)

ここまでで`RUN`すると実験を開始できます。`Score Model`モジュールにて`Visualize`すると統計分析の結果がみることでできます。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-18.png)

今回は価格での分析でしたので`Price`列を選択した後に、右の`Visualizations`にある、`compare to 〜`の部分を選択します。

例えば、**メーカー対価格**  
volvo が突出して高いですね。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-21.png)

**車種対価格**  
セダンはピンキリですが、全体的に中心より下の価格対が多いようです。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-22.png)

**エンジンサイズ対価格**  
エンジンサイズと価格は正比例のようです。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-23.png)

**馬力対価格**  
正比例のようですが、うーんちょっとわかりませんね。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-24.png)

ここまででも、結構楽しいです。

### 3.2. 結果を評価

最後に、分析モデルの予測結果に対する評価を行います。評価は、`Evaluate Model`モジュールを利用して行います。パレットから選択してください。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-30.png)

`RUN`して`Evaluate Model`モジュールの結果を`Visualize`すると次のような結果になります。

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/azureML-learning-31.png)

各統計値は以下の通りです。

>

- 平均絶対誤差(Mean Absolute Error)  
  　\* 絶対誤差の平均です (誤差とは、予測された値と実際の値との差です)。
- 二乗平均平方根誤差(Root Mean Squared Error)  
  　\* テスト データセットに対して実行した予測の二乗誤差平均の平方根です。
- 相対絶対誤差(Relative Absolute Error)  
  　\* 実際の値とすべての実際の値の平均との絶対差を基準にした絶対誤差の平均です。
- 相対二乗誤差(Relative Squared Error)  
  　\* 実際の値とすべての実際の値の平均との二乗差を基準にした二乗誤差の平均です。
- 決定係数(Coefficient of Determination)  
  　\* `R squared value`ともいいます。どの程度モデルが高い精度でデータと適合するかを示す統計指標です。

> 各誤差の統計値は、小さいほど優れています。つまり値が小さくなるほど、予測が実際の値に近くなることを意味します。
> 決定係数では、値が 1 (1.0) に近づくほど、予測の精度が高くなります。  
> [Machine Learning Studio での簡単な実験の作成 | Azure](http://azure.microsoft.com/ja-jp/documentation/articles/machine-learning-create-experiment/)より

す、すみません。まったくわかりません。

今回の分析モデルに関しては決定係数が 1 に近いので、精度としては良いという評価なんでしょうかね？

## 最後に

やってみた系の記事でした。まだ全体像がよくわかっていないのでなんとも・・・うーん。

とっかかり難しそうな ML ですが、AzureML を利用すると一連の実験の流れについては準備されているので、わりとカジュアルに入門できそうです。

ML を行う上で大事な事は「分析モデル」だなと感じました。分析モデルを構築する上で、留意するべきことは次のような部分ですかね。

- データの準備と前処理
- 分析モデルを構築する上での学習アルゴリズムの選定
- 分析モデルの評価方法

まだ、表面的に触っただけなので、この辺りに足を踏み入れると ML の深淵に触れられそうです。

既に面白いことやられている方もいるようで、目的に応じてカジュアルに使いこなせるようになるといいなと思います。

[Azure Machine Learning と IoT を駆使して室温予測システムを構築してみた - がりらぼ](http://garicchi.hatenablog.jp/entry/2015/03/01/155845)

Azure Machine Learningをやってみた

4 月に少しまとまった時間があるということもあり、以前から興味があったの R の統計解析について、せっかくなので勉強してみる。

この記事は自分のための学習記録なので、特に有用な情報などありません。  
あしからず。

学習はこちらのサイトをベースに行います。とある弁当屋の統計技師様感謝です！

[とある弁当屋の統計技師（データサイエンティスト）](http://rmecab.jp/ranko/)



## 導入など

R をインストールしてから、こちらのコマンドで学習用のパッケージをインストールします。

```
install.packages ("Ranko", repos = "http://rmecab.jp/R")
```

なお、プロキシ通す場合はこうする。

```
Sys.setenv("http_proxy"="http://<プロキシサーバー>:<ポート>/")
```

## 利用するデータ

チュートリアルで扱うデータは以下の通り。`Ranko`パッケージに入っているデータを利用します。

```
# 店別の売上個数
> bento
   売上個数     お店
1       181   正規屋
2       194   正規屋
3       265   正規屋
4       206   正規屋
5       208   正規屋
6       272   正規屋
...(省略)

# 弁当別の売上個数
> omu
   売上個数         弁当名
1        10 オムライス弁当
2        15 オムライス弁当
3        17 オムライス弁当
4         7 オムライス弁当
5        15 オムライス弁当
...(省略)

> bento7
 月  火  水  木  金  土  日
181 194 265 206 208 272 221
```

## 基本操作

### 変数代入(<-)

```
> x <- 8
> x
[1] 8
```

### ベクトル(c)

とある数値の集合を表したもの

```
> x2 <- c(1,2,4,5,6)
> x2
[1] 1 2 4 5 6
```

### データフレーム

R 上で操作するデータの塊のこと。(Excel の計算シートっぽい)  
添字を指定して任意のデータ集合を作成できる  
(チュートリアルではデフォルトで cars のデータセットが設定してある。)

```
> cars
   speed dist
1      4    2
2      4   10
3      7    4
4      7   22

...(省略)


# 任意の行を取得するには[]で添字をつける。
# `,`の後ろに取得する列数を設定するが、通常はいらないと思う。
> cars[1,]
  speed dist
1     4    2

# 範囲は[start:end]で指定する
> cars[1:5,]
  speed dist
1     4    2
2     4   10
3     7    4
4     7   22
5     8   16

# $をつけることで特定の列を取得
> cars$speed
 [1]  4  4  7  7  8  9 10 10 10 11 11 12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 16 16 17 17 17
[32] 18 18 18 18 19 19 19 20 20 20 20 20 22 23 24 24 24 24 25

# 添字を[]をつけることで任意の行列を取得
> cars$speed [2]
[1] 4

# 範囲指定も可能
> cars$speed [2:5]
[1] 4 7 7 8
```

## 関数

### 平均(mean)

```
> mean(bento7)
[1] 221
```

### 中央値(median)

```
> median(bento7)
[1] 208
>
```

### 条件指定(==)

`==`で条件していできる。普通に演算するよと各データがマッチするがが評価される。

```
# 条件を指定する
> bento$お店=="正規屋"
 [1]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[13]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[25]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
[37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
```

データセットの範囲に指定することで、データセットに対する条件指定ができる。

```
# お店=="正規屋のデータを全件取得
> bento[bento$お店=="正規屋",]
   売上個数   お店
1       181 正規屋
2       194 正規屋
3       265 正規屋
...(省略)
```

### 先頭(head)

```
> head(bento[bento$お店=="正規屋",],5)
  売上個数   お店
1      181 正規屋
2      194 正規屋
3      265 正規屋
4      206 正規屋
5      208 正規屋
```

### 末尾(tail)

```
> tail(bento[bento$お店=="正規屋",],5)
   売上個数   お店
26      136 正規屋
27      237 正規屋
28      209 正規屋
29      157 正規屋
30      253 正規屋
```

### うーんなんて表現すればいいんでしょう。。。(by)

> by？うーん。便利関数？？

指定したデータセットのサブセットに対して何かの関数処理をさせて結果を表示する。

[by 関数について質問を受けたのでまとめてみた - 日々のつれづれ、良かった探し](http://d.hatena.ne.jp/myopomme/20120708/1341740574)

`summary`は要約統計量を算出する便利関数みたい。

[R-Source 59. 基本統計量の算出](http://cse.naro.affrc.go.jp/takezawa/r-tips/r/59.html)

[R で統計: データ集合中の最大、最小、平均、中央値 ? summary()関数](http://www.yukun.info/blog/2008/09/r-summary-mean-median.html)

summary 関数の戻り値

- Min(最小値)
- 1st Qu(第一四分位数：小さいほうから 1/4 の値)
- Median(中央値)
- Mean(平均値)
- 3rd Qu(第三四分位数：大きいほうから 1/4 の値)
- Max(最大値)

```
# この例だと売上個数のデータセットにサブセットのお店を渡して`summary`した結果を取得。。。といったとこでしょうか
> by(bento$売上個数, bento$お店, summary)
bento$お店: がんま亭
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  197.0   203.2   205.5   205.9   208.8   216.0
---------------------------------------------------------
bento$お店: 正規屋
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
  124.0   176.5   200.0   201.1   222.5   274.0
```

## グラフ表示

`ggplot2`を使ってグラフを表示。

### 箱ひげ図(boxplot)

[ボックスプロット | R の boxplot 関数の使い方](http://stat.biopapyrus.net/graph/boxplot.html)

```
# 売上個数をお店ごと(水準)に箱ひげ図化
> boxplot(売上個数~お店, data=bento)
```

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/leaning-r-1-1.png)}

```
# 売上個数を弁当名ごと(水準)に箱ひげ図化
> boxplot(売上個数~弁当名, data=omu)
```

![](https://s3-ap-northeast-1.amazonaws.com/blog-mitsuruog/images/2015/leaning-r-1-2.png)

外にある ○ は外れ値みたい。

## 最後に

なんとなくグラフ表示までできましたが、まだ全然わかりません。  
まだわからないのでやらさせてる感が半端ないです w。早く自分の道具として扱えるようにしたいですね。  
いつまで続くかわかりませんが、頑張ります。

April, 2015

Androidアプリ開発初心者がionicでアプリを作って公開するまでの7日間の道のり

Azure Machine Learningをやってみた

とあるフロントエンド屋のR事始めその1

April, 2015

Androidアプリ開発初心者がionicでアプリを作って公開するまでの7日間の道のり

Azure Machine Learningをやってみた

とあるフロントエンド屋のR事始め その1

とあるフロントエンド屋のR事始めその1