広告データの分析と特徴量選択

feature = df_adv_data[['newspaper', 'radio', 'tv']]

このコードは、データフレーム df_adv_data から 'newspaper'、'radio'、'tv' の列を抽出し、新しいデータフレーム feature を作成します。

広告データの分析では、以下のような方法があります。

1. データの要約統計: feature データフレームの基本統計量（平均、中央値、最小値、最大値など）を計算することで、各特徴量の特性を把握することができます。

2. 相関分析: 各特徴量間の相関関係を調べることで、広告メディア間の相互作用や特徴量の重要性を理解することができます。以下は、相関係数行列を作成するコード例です。

correlation_matrix = feature.corr()

3. 可視化: データの可視化は、特徴量の分布や相関関係を理解するための有効な手法です。例えば、散布図行列を作成して相関関係を視覚化することができます。

import seaborn as sns
sns.pairplot(feature)

特徴量選択では、以下のような方法があります。

1. 目的変数との関係性: 広告の効果を表す目的変数と各特徴量の関係性を調べることで、重要な特徴量を選択することができます。例えば、散布図や回帰分析を使用して、目的変数と特徴量の関係を可視化することができます。

2. 統計的な方法: 統計的な方法や機械学習アルゴリズムを使用して、特徴量の重要度を評価することができます。例えば、ランダムフォレストや勾配ブースティングなどのアルゴリズムを使用して、特徴量の重要度を計算することができます。

from sklearn.ensemble import RandomForestRegressor
# モデルの初期化
model = RandomForestRegressor()
# データの準備
X = feature
y = df_adv_data['sales']
# モデルの学習
model.fit(X, y)
# 特徴量の重要度の取得
importance = model.feature_importances_

以上が、広告データの分析と特徴量選択の一般的な手法です。これらの手法を組み合わせることで、広告の効果を最大化するための重要な特徴量を特定することができます。