ロードスター購入時にML使って、価格予測、販売価格との差分が大きいものを”お得”として購入しました。購入時の判断基準として改めて

1. 経過年度、走行距離に応じた価格下落が少ない車種であること。

2. 予測価格より離れている、いわゆる”異常値”をお得車両として見つける。

ポルシェについても同手法で予測式からの差分確認しますが、ロードスター予測式での30−40万価格差分と”718ケイマン”での価格差分50万ではいわゆる「お得感」が違うんではないかという疑問が湧いてきました。
新車時の価格が違うんだし、、いや財布的に50万離れていれば絶対値でお得なはず。

ここで、chatGPTへ質問。

とアドバイされたので、スコアリングすることにしました。

マルチクリテリア決定分析（MCDM）の一般的な手法の一つに「加重合計法」（Weighted Sum Method）があり、この方法では、各車両の特徴（年式、走行距離、価格差分など）に重みを割り当て、それらを合計して総合スコアを計算するようです。価格分析の時にはSHAP（特徴量の重要度指標）は確認しており、ロードスターの分析では以下となってました。

価格に対しては何が重要なのかを視覚化したもので、特徴量の係数について目的変数（価格）にどれが大きく影響するかということです。要するにこの車を買うなら年式を気にすべし。（ポルシェやフェラーリなどの例外もありますが。）
ただ経過年ごとに、大きく下がるかどうかはまた、車種、グレードによって異なります。

スコアリング

次にスコアリングに向けて、plotlyへ入力したdataframe形式を確認。データフレーム構造は以下となっており、正規化に不要な列をドロップして。
Index(['名称', '年式', 'グレード名', '年', '色', 'Class_Category', 'Url', 'Mission', '修復歴', 'difference', '新車価格', '価格', '総額', 'predicted_price', '走行距離', 'predicted_price_zero_mileage', 'filename', 'CarMaker', 'date', 'Carname', '年式年数', '経過年数', '残価率', '残価率比率'], dtype='object')

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()


df['difference_new'] = df['predicted_price'] - df['new_price']
df['difference_norm'] = scaler.fit_transform(df[['difference_new']])

df['score'] = 1 / (df['difference_norm'] + 0.01)

df.sort_values(by='score', ascending=False, inplace=True)

スコアリングといっても、予測価格からの差分を正規化して、スコアづけしただけで結果からいうと。失敗。　AMG_GT　とかランボルギーニ_ウルス、GT-R NISMO とか、4000−9800万円の車がランキングされる。新車価格に対しての正規化が必要でしたか、、ちょっとこのアプローチは次回以降に回します。

余裕のある方はご参考ください。。ちなみに２０年選手のランボルギーニ/
ムルシエラゴが上位に食い込んでました。当時の新車価格の２倍。

718ケイマン

でやっと本題の７１８ケイマンについて経過年ごとの残価率を見ていきます。まず全体像で、メーカー/車名/モデルイヤー/年式　でグルーピングしています。（グルーピングの0,1はAT,MTを表します。）メーカーごとに色が偏って見えますが、これは選定している車種が理由であり、メーカー別の傾向ではありません。

次に、ポルシェで絞ります。718ケイマンでのターゲットは決まりました！
経過年後の残価率が高いものが見えてきたと思います。あとは継続webをウォッチしながら、予測価格から離れた”お得車両”がでてきたらアクセスしていきます。

なお、データの出典は価格こむさんです。