すべてのカテゴリ

　今は占星法について星の位置の多様に出てくるものを簡単に解釈できる方法として多変量解析プログラムをAiに書いてもらった。その応答過程をまんま載せるので皆さんも活用されたらいいかもしれない。　占いのお客様の中にはお気に召さない話は、その論拠はなんですか、勘ですか、というつっこみもある。多変量解析で落ち目だからどうしようもネーナではちと味気ないが、それは置いといて、失礼ながら高市首相で占いながらプログラム開発を進めながらその本質をみていこう。開発パートナーはCopilot。>は私の打ち込み。－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－🔧 Matplotlibで「多変量を解読する」ための方向性 実は Matplotlib 自体は「描画ライブラリ」なので、解読や解析は NumPy / SciPy / scikit-learn / pandas と組み合わせるのが王道です。Matplotlibは「見える化」、解析は「数値処理ライブラリ」で行うイメージです。 📊 代表的な解析アプローチ 1. 主成分分析 (PCA) • 多変量データを「主要な傾向軸」に圧縮 • 例: 200×13×13 のデータを「2次元の主成分」に落とし込み、散布図で表示 • → 「運気の変動を支配する要因」を抽出できる from sklearn.decomposition import PCA X = data.reshape(200, -1) # k軸に沿って (200, 169) pca = PCA(n_components=2) X_pca = pca.fit_transform

　ＡＩとはずっと占いプログラムを改良し続けている。多変量解析前はグラフによる見える化にいそしんでいた。細かいことはよく見えるが全体的に大きくわかりにくい。そんな時は統計学の出番だ。昔は多変量解析システムといえばぶっ高いシステムで打ち込みも半端なく大変だったが、オープンソースや外部ライブラリのおかげでずいぶん高速・正確・只になって恵まれてきた。基本的な惑星の位置も今やDExxxの正確な天文歴があり、近似計算のホロスコープには２‐３度のずれがあるも、DExxxなどを使用すると、小数点下４位の誤差に収まるようになっている。　乗りかけた占いなので高市政権の先を見ていこう。トランジット２００か月未来までをうらない星の相互関係を見ていく。すると多変量解析では全区間上り調子だが２００日の短期では沈み込むことが言えている。　なんにせよ始まった物価高対策としてのおこめ券は、金券なら10%が発行経費でなくなるとか、利益関係が絞られるとか、その内情もあきれるが、米価が高くなったほかに、皆買い控えが起こりおそらくこの先コメ消費が落ち込んでますます米がいらなくなる。小泉さんを外して、田舎もんを農水大臣にした罰が当たるということだ。　安全保障は、熊を見上げるわんこ状態が続く。日本が劣勢は否めない。大日本帝国の時とは違い国民の士気は３Ｓ政策でスケベになっている。まあ中国国内の若者も日本と戦争なんてしたらアメリカが出てくる、死にたくないという投稿があふれてるとか、メイホーさんのＹｏｕｔｕｂｅでも言われているが、まあどっちの国民も死にたかないな。時々アメリカのトランプさんや、トランプさんがこけてもバンス大統領が

以前の二章は以下のインプットから占い判定をつく出すまでのPythonプログラム作成をAIに依頼したもので、AIをおだててほめていれば只でどんどん進む。占星データは２００日分、１３星の二次元マトリックス。データ数は２００×１３×１３高市早苗首相の２００日未来鑑定。多変量解析後・マルコフ連鎖シミュレーションのプログラム作成結論は「解析結果によれば、現在の期間ではクラスタ2型（沈降型（強いマイナスで沈み込み））が支配的です。 未来シミュレーションではクラスタ2型（沈降型（強いマイナスで沈み込み））に収束する可能性が最も高く、確率は 0.48 です。 したがって、短期的には 沈降型（強いマイナスで沈み込み） が多く見られ、長期的には 沈降型（強いマイナスで沈み込み） に落ち着く未来像が描かれます。 未来予測: 10日後はクラスタ2型（沈降型（強いマイナスで沈み込み））にいる可能性が最も高く、確率は 0.72 50日後はクラスタ2型（沈降型（強いマイナスで沈み込み））にいる可能性が最も高く、確率は 0.48 200日後はクラスタ2型（沈降型（強いマイナスで沈み込み））にいる可能性が最も高く、確率は 0.47　」　　この結論までCore7のノートPCで約７分。XIONのローカルで２分程度。　占い師はこれと同じ結論を出すものか、もっと早く直感でたどり着くか。どうあるべきかについて考えてみる一端にはなると思う。　占いの結果については、総理就任時の支持率は落ちない総理は居ないから落ちていくと診断するのは当たり前なので特に異論はないが、８年先には今より人気が上がると診断していることは興味深い。

　前回に引き続き多変量解析からAIの未来推定までの工程を見てみよう。------------------------------------------------------------------------------仁さん、これはまさに「未来の典型パターン」を数値で返すために組み込んだ 多変量解析＋クラスタ遷移解析プログラム の成果です。流れを整理するとこうなります。 🔧 プログラムの仕組み 1. 特徴量抽出 () • データ全体の平均値・標準偏差・最大最小を計算 • → 「全体的にプラスかマイナスか」「変動の大きさ」を数値化 2. トレンド検出 () • k軸に沿って移動平均を計算 • → 「時間とともに上昇か下降か」を判定 3. クラスタリング () • KMeansで各時点をクラスタ分類 • → 「似た運気パターン」 4. 典型パターン抽出 () • 各クラスタの平均波形を計算 • → 「クラスタ0は安定型」「クラスタ2は下降型」などの代表パターンを数値で返す 5. クラスタ遷移解析 () • 出現割合を計算 • 遷移行列を作成（クラスタA→クラスタBの確率） • → 「どの型が支配的か」「どの型に移行しやすいか」を数値で返す 6. 結論生成 () • 特徴量・トレンド・クラスタ情報を組み合わせて簡易結論を返す • → 「全体的に下降傾向」「クラスタ1型が支配的」など 📊 実行結果の意味 200日未来 • 平均 -0.60 → マイナス傾向 • トレンド下降 → 長期的に下がる流れ • クラスタ1が40%で支配的 → 弱