Submit Search
Upload
Tokyor35 人工データの発生
•
10 likes
•
5,961 views
Yohei Sato
Follow
Report
Share
Report
Share
1 of 37
Download now
Download to read offline
Recommended
Rで架空データの発生
Rで架空データの発生
Makoto Hirakawa
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
Recommended
Rで架空データの発生
Rで架空データの発生
Makoto Hirakawa
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム
Shinagawa Seitaro
ブースティング入門
ブースティング入門
Retrieva inc.
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
Hiroki Matsui
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
因果推論の基礎
因果推論の基礎
Hatsuru Morita
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 opening
Tokyor60 opening
Yohei Sato
More Related Content
What's hot
情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム
Shinagawa Seitaro
ブースティング入門
ブースティング入門
Retrieva inc.
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
Hiroki Matsui
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
因果推論の基礎
因果推論の基礎
Hatsuru Morita
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
What's hot
(20)
情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム
ブースティング入門
ブースティング入門
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
階層ベイズとWAIC
階層ベイズとWAIC
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Stanコードの書き方 中級編
Stanコードの書き方 中級編
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Rで学ぶ観察データでの因果推定
Rで学ぶ観察データでの因果推定
質的変数の相関・因子分析
質的変数の相関・因子分析
ベイズ統計入門
ベイズ統計入門
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
因果推論の基礎
因果推論の基礎
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
More from Yohei Sato
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 opening
Tokyor60 opening
Yohei Sato
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Yohei Sato
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyor39 yokkuns
Tokyor39 yokkuns
Yohei Sato
EasyHtmlReportの紹介
EasyHtmlReportの紹介
Yohei Sato
20131206 japan r
20131206 japan r
Yohei Sato
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Yohei Sato
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Yohei Sato
Rでレポートメール
Rでレポートメール
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Yohei Sato
Tokyor26 data fusion
Tokyor26 data fusion
Yohei Sato
Tokyor24 yokkuns
Tokyor24 yokkuns
Yohei Sato
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
Yohei Sato
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Yohei Sato
Complex network ws_percolation
Complex network ws_percolation
Yohei Sato
異常行動検出入門(改)
異常行動検出入門(改)
Yohei Sato
More from Yohei Sato
(20)
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Tokyor60 opening
Tokyor60 opening
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyor39 yokkuns
Tokyor39 yokkuns
EasyHtmlReportの紹介
EasyHtmlReportの紹介
20131206 japan r
20131206 japan r
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Rでレポートメール
Rでレポートメール
Rで階層ベイズモデル
Rで階層ベイズモデル
Rでピボットテーブル
Rでピボットテーブル
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Tokyor26 data fusion
Tokyor26 data fusion
Tokyor24 yokkuns
Tokyor24 yokkuns
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Complex network ws_percolation
Complex network ws_percolation
異常行動検出入門(改)
異常行動検出入門(改)
Tokyor35 人工データの発生
1.
「Rによるやさしい統計学」第18章 人工データの発生 @yokkuns: 里 洋平 yohei0511@gmail.com 2013.11.09
第35回Tokyo.R 2013年11月9日土曜日
2.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
3.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
4.
里 洋平 (@yokkuns) ■元Webエンジニアのデータサイエンティスト ■TokyoRの主催者 2013年11月9日土曜日
5.
執筆しました 2013年11月9日土曜日
6.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
7.
なぜ人工データを発生させるのか? 統計学やデータ解析自体の研究•学習の際に 特定の条件を満たすようなデータが欲しい ・シミュレーション実験 ・例題用の仮想データ 勉強会とか執筆とか ・データ解析手法を試すために都合の良いデータ ... 2013年11月9日土曜日
8.
どんな人工データが作れるのか 特定の母集団からの無作為標本 ① 母集団分布を指定した1変量データ ② 母集団分布を指定した多変量データ ③
統計モデルを指定した多変量データ 例: 回帰分析モデル、因子分析モデル、etc... 2013年11月9日土曜日
9.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
10.
確率分布に従う乱数の生成 乱数を生成する関数一覧 確率分布 関数名 引数としてしていする母数 正規分布 rnorm mean, sd 一様分布 runif min, max ベータ分布 rbeta shape1,
shape2, ncp 二項分布 rbiom size, prob コーシー分布 rcauchy location, scale カイ二乗分布 rchisq df, ncp 指数分布 rexp rate F分布 rf df1, df2, cnp ガンマ分布 rgamma prob ... ... ... 2013年11月9日土曜日
11.
実行例: 正規分布 rnorm関数 2013年11月9日土曜日
12.
実行例: 一様分布 runif関数 2013年11月9日土曜日
13.
実行例: 任意の離散的確率分布 runif関数による乱数とcut関数を用いて 任意の離散的確率分布の人工データを生成する 2013年11月9日土曜日
14.
統計学の法則・定理の検証 統計学を勉強してると謎の法則とか定理が出てくる 人工データを使ってこれを検証してみる http://ja.wikipedia.org/wiki/%E5%A4%A7%E6%95%B0%E3%81%AE%E6%B3%95%E5%89%87 http://ja.wikipedia.org/wiki/%E4%B8%AD%E5%BF%83%E6%A5%B5%E9%99%90%E5%AE%9A%E7%90%86 2013年11月9日土曜日
15.
大数の法則とは ある母集団から無作為抽出された標本データの平均は サンプルサイズを大きくすると真の平均に近づく http://www.seiho.or.jp/data/billboard/introduction/content03/ 2013年11月9日土曜日
16.
正規分布によるシミュレーション rnorm関数でサンプルサイズを変化させ 標本平均と母平均を比較する 2013年11月9日土曜日
17.
二項分布によるシミュレーション rbiom関数でサンプルサイズを変化させ 標本平均と母平均を比較する 2013年11月9日土曜日
18.
中心極限定理とは 標本平均と真の平均との誤差は サンプルサイズを大きくすると、近似的に正規分布に従う http://www.clg.niigata-u.ac.jp/ medimg/practice_medical_imaging/roc/2signifi/ index.htm 2013年11月9日土曜日
19.
正規分布によるシミュレーション 母集団の作成 2013年11月9日土曜日
20.
正規分布によるシミュレーション 100個の標本を100回作成 標本平均の分布を見る 2013年11月9日土曜日
21.
正規分布によるシミュレーション 100個の標本を1,000回作成 標本平均の分布を見る 2013年11月9日土曜日
22.
正規分布によるシミュレーション 100個の標本を10,000回作成 標本平均の分布を見る 2013年11月9日土曜日
23.
二項分布によるシミュレーション 母集団の作成 2013年11月9日土曜日
24.
二項分布によるシミュレーション 100個の標本を100回作成 標本平均の分布を見る 2013年11月9日土曜日
25.
二項分布によるシミュレーション 100個の標本を10,000回作成 標本平均の分布を見る 2013年11月9日土曜日
26.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
27.
相関関係 http://mcn-www.jwu.ac.jp/ kuto/kogo_lab/psi-home/stat2000/DATA/09/03.HTM 2013年11月9日土曜日
28.
任意の母相関を持つ2変数データの生成(方法1) 分散の等しい母集団から独立に無作為抽出された 2変数を用いて任意の母相関を持つ2変数データを生成 2013年11月9日土曜日
29.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
30.
線形回帰分析とは 観測変数間の直線関係を分析する手法 http://www.tuins.ac.jp/ ham/tymhnt/analysis/e/tahenryo/sa/sa8.html 2013年11月9日土曜日
31.
線形回帰分析の仮定 線形回帰モデルの残差は正規分布していると仮定されている http://www.ipc.shimane-u.ac.jp/food/kobayasi/biometry13_2010.html 2013年11月9日土曜日
32.
回帰分析モデルに基づく人工データの生成 回帰係数と切片を固定し、xとeを乱数で生成する事で 回帰分析モデルに基づく人工データを生成する 2013年11月9日土曜日
33.
人工データに対して回帰分析を実行 2013年11月9日土曜日
34.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
35.
■ LT募集しています! http://www.japanr.org/information/2013/11/03/lt/ 2013年11月9日土曜日
36.
AGENDA ■自己紹介 ■人工データの発生 ■人工データ ■母集団分布に従う1変量データ ■母集団分布に従う多変量データ ■統計モデルに基づいた人工データ ■最後に 2013年11月9日土曜日
37.
ご清聴ありがとうございました! 2013年11月9日土曜日
Download now