【人工知能(AI)】衛星データとPythonで不法投棄を予測する

分類モデルの中でロジスティック回帰を使用する理由

この例では、架空の衛星データを生成し、それを基に不法投棄の可能性を分析する方法を説明します。

サンプルデータの生成

まずは、サンプルデータを生成します。ここでは、衛星データとして、特定の地域の画像データの特徴量（例えば、緑地の割合、建物の密度、水域の存在など）と、過去の不法投棄発生情報を模擬的に作成します。

import pandas as pd
import numpy as np

# サンプルデータの数
num_samples = 1000

# 衛星データの特徴量（緑地の割合、建物の密度、水域の存在）
greenery = np.random.rand(num_samples)  # 緑地の割合（0〜1の範囲）
buildings = np.random.rand(num_samples)  # 建物の密度（0〜1の範囲）
water = np.random.rand(num_samples)  # 水域の存在（0〜1の範囲）

# 過去の不法投棄情報（0: なし, 1: あり）
illegal_dumping = np.random.randint(0, 2, num_samples)

# DataFrameに変換
df = pd.DataFrame({
    'Greenery': greenery,
    'Buildings': buildings,
    'Water': water,
    'IllegalDumping': illegal_dumping
})

print(df.head())

   Greenery  Buildings     Water  IllegalDumping
0  0.927315   0.578882  0.486985               0
1  0.673409   0.778274  0.087242               1
2  0.562776   0.702388  0.101363               1
3  0.259367   0.501754  0.473892               0
4  0.361350   0.690268  0.996747               1

データの可視化

データを可視化して、不法投棄の発生パターンを理解しやすくします。

import matplotlib.pyplot as plt

# 不法投棄の有無による特徴量の分布をプロット
plt.figure(figsize=(12, 6))
plt.scatter(df['Greenery'], df['Buildings'], c=df['IllegalDumping'], cmap='viridis', alpha=0.5)
plt.title('Satellite Data Features by Illegal Dumping')
plt.xlabel('Greenery')
plt.ylabel('Buildings')
plt.colorbar(label='Illegal Dumping (1 = Yes, 0 = No)')
plt.show()

予測モデルの構築

不法投棄発生の予測モデルを構築します。ここでは、簡単な分類モデル（ロジスティック回帰）を使用します。

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 説明変数と目的変数の分離
X = df.drop('IllegalDumping', axis=1)
y = df['IllegalDumping']

# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# モデルのインスタンス化と訓練
model = LogisticRegression()
model.fit(X_train, y_train)

# 予測と評価
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy:.2f}")