タグ

関連タグで絞り込む (31)

タグの絞り込みを解除

model*に関するsh19910711のブックマーク (153)

  • Fitbitデータでスパース推定に入門してみる③　〜心拍数データに対してfused lassoを使い、変化点を検出する〜 - mikutaifukuの雑記帳

    はじめに 前回の記事では、個々の変数を選択するための様々なスパース推定の手法をまとめ、Fitbitデータに適用することでそれぞれの手法を比較しました。 mikutaifuku.hatenablog.com 今回のエントリでは、少し趣向を変えて心拍数データに対して、fused lassoと呼ばれる隣合う変数の関係性を加味した手法使ってみます。なお、今回のエントリは、書籍の第３章のfused lassoの部分を自分なりに整理してまとめただけなので、丁寧に学びたい方は、書籍を読んでいただければと思います。 スパース推定法による統計モデリング (統計学One Point) 作者: 川野秀一,松井秀俊,廣瀬慧出版社/メーカー: 共立出版発売日: 2018/03/08メディア: 単行本この商品を含むブログを見る fused lassoの概要 fused lassoは以下のような性質をもつデータに対して

    Fitbitデータでスパース推定に入門してみる③　〜心拍数データに対してfused lassoを使い、変化点を検出する〜 - mikutaifukuの雑記帳
    sh19910711
    sh19910711 2024/06/21
    "fused lassoと呼ばれる隣合う変数の関係性を加味した手法 / 実務においては、このように全てのデータが揃ってから変化点を検出しても遅く / 「スパース推定法による統計モデリング」第3章" 2018
    リンク

  • StanとPythonでベイズ統計モデリング　その1 - Easy to type


    StanとRでベイズ統計モデリング(通称アヒル本)をだいたい読みました。 StanとRでベイズ統計モデリング (Wonderful R) 作者: 松浦健太郎,石田基広出版社/メーカー: 共立出版発売日: 2016/10/25メディア: 単行本この商品を含むブログ (8件) を見る 本の紹介 既に様々な書評もありますし、方々から賛辞の声を挙げられている本です。僕としても非常に分かりやすく、使える本だと感じました。著者の松浦さんがウリを書いてくださっているので、まずそれを読むのが良いと思います。様々な方の書評も纏められています。statmodeling.hatenablog.com 読んでみての感想を、良い点と改訂版に期待する点(笑)で書いてみたいと思います。 良い点 使えそうな分布が結構紹介されている これは僕の専門分野が生命情報解析、著者の松浦さんの専門が医療統計で近いということもあるの
    StanとPythonでベイズ統計モデリング　その1 - Easy to type
    sh19910711
    sh19910711 2024/06/21
    "「あいまいさ自体をパラメータ化してしまう」という特徴が他にどのように活かせるのか理解しやすく / 難しいところは「パラメータを生み出す分布がある」という感覚の理解 / Stan: 2.10.0辺りで新しい文法が提案" 2017
    リンク

  • StanとPythonでベイズ統計モデリング　その2　Chapter5 - Easy to type


    アヒル本(StanとRでベイズ統計モデリング)のChapter5にPythonで取り組んでいきます。 練習問題を解いて、本文中に書かれてるグラフをPythonで描いてみます。 なおChapter1~3は導入だったのと、Chapter4は練習問題の内容が﹁はじめての統計データ分析﹂と被っていたのでパスします。 Chapter5 基礎的な回帰とモデルのチェック 重回帰 複数の説明変数を用いた回帰のこと 重回帰も結局は正規分布を仮定している 目的 説明変数からの応答変数の予想、及び説明変数の寄与率 分布 複数の説明変数ならScatterplot matrixを利用すると良い MCMCの設定について スケーリング: MCMCを行う前に、各データのオーダーを大体(1前後に)そろえること。 収束がしやすく、早くなる 最大値、標準偏差、標準偏差の倍で割ったりすれば良い 結果の解釈 : モデルの改善に活か
    sh19910711
    sh19910711 2024/06/20
    "MCMCを行う前に、各データのオーダーを大体(1前後に)そろえる / 因果関係の推定: どちらが先に起こりうるか、といった事前知識が必要 / EAPなどの点推定量より、幅がどうなっているかが大事(0を跨いだりしていないか" 2017
    リンク

  • レプリカ交換モンテカルロ法（パラレル・テンパリング）による混合ガウス分布に従う乱数の生成 - My Life as a Mock Quant

    マルコフ連鎖モンテカルロ法（メトロポリス法）による混合ガウス分布に従う乱数の生成 - My Life as a Mock Quant でやった内容の欠点とそれを補うためにもうちょっと高尚な手法である拡張アンサンブル法の１つ「レプリカ交換モンテカルロ法」を用いてやりましたよというお話。 シミュレーション条件・パラメーター設定に関しては適当なんで要考察。自分が扱いたい問題に応じてこれはやらないといけない。 通常のマルコフ連鎖モンテカルロ法(MCMC)での問題点 マルコフ連鎖モンテカルロ法（メトロポリス法）による混合ガウス分布に従う乱数の生成 - My Life as a Mock Quant でやった通常のいわゆるマルコフ連鎖モンテカルロ法を用いた「混合ガウス分布」からの乱数生成方法だと、２つのガウシアンのピーク（平均値）が離れているとうまくいかない。 実際に平均値を(-3,-3),(3,3)

    レプリカ交換モンテカルロ法（パラレル・テンパリング）による混合ガウス分布に従う乱数の生成 - My Life as a Mock Quant
    sh19910711
    sh19910711 2024/06/19
    "マルコフ連鎖モンテカルロ法を用いた「混合ガウス分布」からの乱数生成方法だと、２つのガウシアンのピークが離れているとうまくいかない / 離れたもう１つの混合ガウス分布のピークへ行くことができず" 2012
    リンク

  • 階層性がある媒介モデル（マルチレベル媒介モデル）で間接効果をベイズ推定する - Qiita


    この記事は Stan Advent Calendar 2016 の17日目の記事です。目下勉強しながらの執筆のため，もし間違いやもっと効率的な方法があれば，ご指摘をいただければ幸いです。 はじめに 媒介分析については，こちらのサイトをご参照ください。このサイトでは，野球選手の体重︵weight︶が重くなるほど，ホームラン数︵HR︶が増えた結果，年収︵salary︶が増えるという，媒介過程を例に説明を行っています。Stanコードも公開されています。 なお本記事では、以下のように変数を略記することにします。 - X‥説明変数 - M‥媒介変数 - Y‥応答変数 上記の野球のデータでは，各変数︵体重，ホームラン数，年収︶の値は，個人につき一つでした。しかし，これらのデータを複数回測定すれば，ある変数について個人の中に複数の値が存在することになり，階層性が生まれます︵例‥体重の計測1回目70kg，
    階層性がある媒介モデル（マルチレベル媒介モデル）で間接効果をベイズ推定する - Qiita
    sh19910711
    sh19910711 2024/06/18
    "選手はどこかの球団に所属しているので，やはり階層的なデータとみなす / 通常の回帰分析は，残差が独立であることを仮定しますが，データに階層性が存在する場合は，その前提が崩れる恐れ" 2016
    リンク

  • みどり本の図10.4をStanで描画方法と信頼区間・予測区間 - Qiita

    はじめ 図10.4「生存種子数yの予測分布をstanで作成する」以降の予測区間の説明内容に誤りがあります、現在見直し中 自習用にstanを使い「データ解析のための統計モデリング(一般化線形モデル・階層ベイズモデル・MCMC)」の「10.3.3 階層ベイズモデルの事後分布推測と予測」の信頼区間と予測区間の求め方をまとめました 上記の章に出てくる図10.4「生存種子数yの予測分布$p(Y|β,s)$と観測データ」をstanで求める方法を初心者がまとめたものです 時間がある方は、このまとめより"StanとRでベイズ統計モデリング"を読むことを強くお勧めします http://www.kyoritsu-pub.co.jp/bookdetail/9784320112421 用語の確認 マルコフ連鎖モンテカルロ法(MCMC)を用いた統計モデリング言語です C++で実装 RとPythonのインターフェース

    みどり本の図10.4をStanで描画方法と信頼区間・予測区間 - Qiita
    sh19910711
    sh19910711 2024/06/18
    "あてはめ: 数理モデルに含まれるパラメータを観測データから推測 / 統計モデリング: その現象が発生する仕組みを知る + いままで得られたデータから未来（または過去）を予測する" 2017
    リンク

  • ベイズ初心者でも分かるMCMC入門 - Qiita

    なかなかMCMCが理解できなかった自分がベイズ統計の本や人から教えてもらってはじめて理解できた表現をまとめている自分用メモ。ベイズ統計の基本は色々良い本やサイトがあるので最低限に止めてます。初心者なので間違えにお気づきでしたら指摘頂けると助かります。 ベイズ統計学とは ベイズの定理というたった一つの公式から大抵の理論が導かれる P(θ)=事前確率、P(θ|D)=事後確率、P(D)=正規化定数(右辺の確率総和を1にしてくれる)、P(D|θ)=尤度 母数は確率変数（=分布を持っている）で、モデリングが必要 伝統的な統計学では母平均は確定している前提で特定の値が含まれる確率を考えたりしていたが、ベイズでは母平均が分布しているという考えを持つ 点数の分布がN(50,10)の試験で80点以上の人は何人いるか？ MCMC（マルコフモンテカルロ連鎖法）とは ある確率分布から乱数を取り出すことにより、汎用

    ベイズ初心者でも分かるMCMC入門 - Qiita
    sh19910711
    sh19910711 2024/06/17
    "確率分布がわかってるのに何のために積分するのか / 分母の P(D) をとっぱらって、P(θ|D)はP(θ)P(D|θ) に比例していることまでは比較的簡単に分かります / 事後分布の形はなんとなく分かっている状態" 2016
    リンク

  • Markov Chain Monte Carlo (MCMC)をpythonで実装し、大学生の睡眠時間を解析 - Qiita


    Sleep Offset と Wake Offset が表示されると同時に、lengthカラムに睡眠時間も1時間単位で表示されます。 解析開始！まずは可視化する それではこのデータを使って分析していきます。 Scatterplotを使って就寝データを可視化 データを見ると、深夜0:00あたりからAsleepの軸が濃い青色に変化し始めていき、Awakeもどんどん淡い青色に変化していきます。逆に端っこの23:00ではフルAwakeで、午前3:30はさすがに寝ちゃっています。ちなみにグラフには表示していませんが平均的な就寝時間は12:50〜1:00です。大学生です。 Scatterplotを使って起床データを可視化 逆に起床時間はどうでしょう。6:00はほぼまだAsleepでAwakeになる気配はまったくないですが、8:00になると濃くなりはじめます。そういえば今年の夏休みは長期インターンをして
    Markov Chain Monte Carlo (MCMC)をpythonで実装し、大学生の睡眠時間を解析 - Qiita
    sh19910711
    sh19910711 2024/06/17
    "夜の12:00に寝ているかどうかはファジーなので夜の12:00に寝ている確率、と言い換えたほうが良さそう / 0:45ぐらいに50%をこえるのがわかります。つまり2日に1回は0:45以降になってようやく寝る、みたいな現象" 2019
    リンク

  • 単回帰モデルを通してベイズ推定の流れとPystanの使い方を学ぶ - Qiita


    はじめにRとStanではじめる ベイズ統計モデリングによるデータ分析入門を読みました。わかりやすく、詰まることなく読みすすめることができました。おすすめです。 さらに理解を深めるために、本の内容をなぞって試したいと思います。こちらの書籍ではRとstanを使用していますが、ここではPythonとPystanを使います。 この投稿の大まかな内容は次の通りです。 1. ベイズの定理 2. MCMC法 3. Pystanの使い方 4. 単回帰モデル 単回帰モデルという単純なモデルを通して、ベイズ推定の流れとPystanの使い方を学びます。 0. モジュール ここで予め必要になるモジュールをインポートしておきます。 import numpy as np import matplotlib.pyplot as plt import pystan import arviz plt.rcParams["
    単回帰モデルを通してベイズ推定の流れとPystanの使い方を学ぶ - Qiita
    sh19910711
    sh19910711 2024/06/17
    "プロットするなどして、データの構造を掴み + データ生成過程の考察とStanコードの作成 / パラメータである𝜇について前もって知識がないときは、根拠不十分の原則に従って、とりあえず広い分布を考え" 2020
    リンク

  • MCMCを素朴に実装しつつガンマ分布のパラメータを推定してみる - Qiita


    はじめに 色々な観測データを集めた結果、その観測値の背後にあるであろう確率分布を、モデルに当てはめて推定してみたいという欲求が出てくることがあります。各種の統計量の計算やシミュレーション計算に便利ですからね。確率分布のモデルとして、正規分布、指数分布、2項分布、ベータ分布等ありますが、今回、ガンマ分布を対象として、MCMC法︵Markov Chain Monte Carlo method︶をその原理から"素朴に"実装しつつ、どのくらいフィッティングできるかを試してみたいと思います。なお、MCMCを実行する優れたツールとして、WinBUGSやPyMC3などがありますので、敢えて自分で作る必要はないでしょう。とはいえ、自分で作ることで色々見えてくるものもあり、理解が進むメリットはあるのかなと思います。 ガンマ分布とは？ ガンマ分布とは、形状パラメータ$k$、尺度パラメータ$q$の2つのパラメー
    MCMCを素朴に実装しつつガンマ分布のパラメータを推定してみる - Qiita
    sh19910711
    sh19910711 2024/06/17
    "観測データを集めた結果、その観測値の背後にあるであろう確率分布を、モデルに当てはめて推定してみたいという欲求が出てくる / 自分で作ることで色々見えてくるものもあり、理解が進むメリット" 2020
    リンク

  • 基礎から分かる時系列分析 5.マルコフ連鎖モンテカルロ法(MCMC)(Stanで実装) - Qiita


    p({\bf x}_t|{\bf y}_{1:T})=p({\bf x}_t|{\bf y}_{1:T})\int\frac{p({\bf x}_{t+1}|{\bf x}_t)}{p({\bf x}_{t+1}|{\bf y}_{1:t})}p({\bf x}_{t+1}|{\bf y}_{1:T})d{\bf x}_{t+1} いずれの分布を計算するにも積分計算を乗り越えなければならない。カルマンフィルタはすべての確率変数が正規分布に従うと仮定することによって積分を行列計算に落とし込み解析的に分布を求める、という手法であった。一方マルコフ連鎖モンテカルロ法(MCMC)は、求めたい分布からのサンプルを直接得て分布を推定する方法である。 MCMCをフィルタリングに用いると各時点でのフィルタ分布からの乱数を毎回発生させる必要があり、現実的ではない。MCMCは逐次的なアプローチよりも平滑化に導
    基礎から分かる時系列分析 5.マルコフ連鎖モンテカルロ法(MCMC)(Stanで実装) - Qiita
    sh19910711
    sh19910711 2024/06/17
    "カルマンフィルタはすべての確率変数が正規分布に従うと仮定することによって積分を行列計算に落とし込み解析的に分布を求める / MCMCは、求めたい分布からのサンプルを直接得て分布を推定する" 2021
    リンク

  • スパース性を導入したベイズ線形回帰 - Qiita

    線形回帰の解がスパースである(0が多い)ことが事前にわかっているとき、 ベイズ線形回帰(Bayesian Linear Regression) において重みの事前分布に対して、 馬蹄分布(Horseshoe Distribution) を用いるのが一般的です。 正規分布などを事前分布に用いたベイズ線形回帰と比べて、馬蹄分布を事前分布に用いたベイズ線形回帰では、事後分布からのサンプリングには比較的複雑なコードが必要になります。 この記事では、 マルコフ連鎖モンテカルロ法(Markov chain Monte Calro method) のアルゴリズムの一つである　ギブスサンプリング(Gibbs Sampling) を用いた、最も基本的な馬蹄事後分布からのサンプリング方法を紹介します。 ベイズ線形回帰とスパース性 次のような線形回帰モデルにおいて、

    スパース性を導入したベイズ線形回帰 - Qiita
    sh19910711
    sh19910711 2024/06/17
    "スパース: 0が多いことが事前にわかっている / 𝑃(𝑍)から直接𝑍全体をサンプリングすることが難しい / Gibbs Sampling: 𝑍=(𝑍1, 𝑍2, …, 𝑍𝑀)のようにM個の部分集合に分けることによって逐次的に" 2022
    リンク

  • StanでLDAをまわしてみた　（自動微分変分推論） - Qiita

    はじめに LDAはトピックモデルと呼ばれる自然言語処理の分野で広く使われている数理モデルです。モデルの詳細は後ほど説明しますが、ざっくり言うと書かれた単語からその文章のトピックを複数推定するモデルです。 LDAのパラメータ推定には一般的にはRのtopicmodelsパッケージやPythonのgensimモジュールが使われることが多いですが、今回はモデルの拡張や仕組みの理解を目的として、stanでモデルをゼロから構築して推定することを試みます。 モデルの定義 コードは松浦さんのブログから借りてきました。ただし、stanのバージョンアップに合わせて、一部コードを修正しています。 data { int<lower=1> K; int<lower=1> M; int<lower=1> V; int<lower=1> N; int<lower=1,upper=V> W[N]; int<lower=1

    StanでLDAをまわしてみた　（自動微分変分推論） - Qiita
    sh19910711
    sh19910711 2024/06/15
    "NUTSというアルゴリズムが有名ですが、MCMCだとLDAのようなパラメータの多いアルゴリズムでは推定にとてつもない時間が必要 / ADVI: ver.2.9からstanに搭載 + MCMCより精度は劣るものの高速" 2018
    リンク

  • Bridge samplingでモデル比較実践：多項過程ツリーモデル - Qiita


    どうも。この記事はStan Advent Calendar 2018の12月24日︵クリスマスイブ︶の記事として作成した資料です。あなたは今どこで何をしていますか？この空の続く場所にいますか？私は英国でのクリスマスイブを一人で過ごして暇を持て余しています。 ベイズ統計をはじめたての人が抱く悩みって﹁ええっ❣️😳💦もうすぐクリスマス🎄🎅なのにBayes Factor💏💑💕出せないってマジ❕❓😱💦💦😢⤵️このままだと平成最後👺❗のクリスマス🤶🎄もまた😦モデル比較できず😢💔😖⤵️そんなのヤダヤダぁ〜〜😭💔💦実は🙊💭Rパッケージに🌝✨Stan使ってBayes Factor😘👦💕計算できるのがあるみたいなんだけどDMでやり方💐💌💖教えてくれたら一発KO👊💥するのになぁ😳﹂ではないでしょうか。 そんな悩みにお答えするべく、今回はRsta
    Bridge samplingでモデル比較実践：多項過程ツリーモデル - Qiita
    sh19910711
    sh19910711 2024/06/15
    "Bayes Factor: 二つのモデルに対してどちらをデータが支持するかの程度を数量化したもの + モデル選択は慎重に / bridge_sampler()によって近似対数周辺尤度を算出 + bf()を用いることによってBayes Factorを計算" 2018
    リンク

  • {lme4} 線形混合モデルの取り回し - Qiita


    これは、アヤメ(iris)3種をそれぞれ独立として、ガクの幅(Sepal.Width)と花弁の長さ(Petal.Length)の間に相関があるのか考えた、という回帰分析になります。これら3種に共通の相関傾向があり、かつ、それぞれの種に応じた効果も認められるのか、否か、を検証したい時はどうするのか。 こういう場合、種に共通した相関傾向を固定効果、そこからの種ごとの変動をランダム効果として取り扱います。このように階層化された相関関係を取り扱う回帰分析を混合モデルと呼びます。この場合は線形混合モデル(linerd mixed model)です。 詳しい解説はここでは省きます。隅田先生によるこのpdf資料がよくまとまっていました。 {tidyr} nestしていこう。の考え方をうまく使い、model_lmm_1などというオブジェクトが乱立する治安の悪いRコードを避け、スマートにやっちまいましょう。
    {lme4} 線形混合モデルの取り回し - Qiita
    sh19910711
    sh19910711 2024/06/15
    "種に共通した相関傾向を固定効果、そこからの種ごとの変動をランダム効果として取り扱い / ggplot: 修飾部分つけるとごちゃごちゃした見た目になって、慣れていないと読むのがツライものがあります" 2019
    リンク

  • {rstan} 線形混合モデルをベイズで書いてみる - Qiita

    MCMC(*´Д`)ﾊｧﾊｧ — MrUnadon (@MrUnadon) 2017年9月1日 ちょっと前ですが、TokyoRでベイズ特集回をやった事があります。 その際に、ベイズ統計の基礎という大げさなタイトルでトークをしました。 トークは基礎的(理論的)な話だけでしたので、これはRとstanを使った実践編という感じです。 環境設定 # libraryにattachしておく library(tidyverse) # データ加工 library(rstan) # MCMCハァハァ library(patchwork) # 図を並べる library(lme4) # おまけ # rstanのchainを並列計算させる呪文 rstan_options(auto_write=TRUE) options(mc.cores=parallel::detectCores())

    {rstan} 線形混合モデルをベイズで書いてみる - Qiita
    sh19910711
    sh19910711 2024/06/15
    "「MCMCが収束する＝良いモデル」というのは大変危険で、それをいうなら上に挙げた「単なる線形回帰」も収束している / 単なる線形回帰モデルのAICは、LMMのAICより明らかにデカいので「良くない」と判断" 2019
    リンク

  • Rの構造方程式モデリングで数値データの関係性を可視化する - Qiita

    R初心者ですが、Rで構造方程式モデリング（共分散構造分析）をやってみます。 構造方程式モデリングを使うことで、重さや長さなどの直接観測可能な因子のみならず、 「先高感」「ブランドイメージ」などのように直接測定出来ない特性である構成概念（潜在因子）を含めて 各因子間の相関関係の強弱を可視化することができます。 多変量データに潜む共通因子を探り出すための手法である因子分析と 予測を行う重回帰分析を同時に行うことができるのが特徴です。 具体的にどのような用途に使えるかというと、 KGIに紐づく、多数のKPIがあるような場合にKPI間の相関関係の強弱をモデリング（図示化）することができるため、 今後の企業戦略を決定する際にどのKPIに注力すればよいかの参考になります。 参考：マッチングサービスにおけるKPIの話 Rのインストール 以下のサイトからお使いのOS（Windows, OSX, Linux

    Rの構造方程式モデリングで数値データの関係性を可視化する - Qiita
    sh19910711
    sh19910711 2024/06/15
    "直接測定出来ない特性である構成概念（潜在因子）を含めて各因子間の相関関係の強弱を可視化する / KGIに紐づく、多数のKPIがあるような場合にKPI間の相関関係の強弱をモデリング（図示化）することができる" 2019
    リンク

  • ガウス過程に基づく分類モデルの学習ノート - Qiita


    はじめに 日本語の書籍が入手できなかったので、以下の資料を参考にしました。 Gaussian Processes for Machine Learning (http://www.gaussianprocess.org/gpml/chapters/) ﹁3 Classification﹂の再現コードとなります。 ラプラス近似のみ。Expectation propagationは除く。 Linear Models for Classification 入力データ$x$に対して$y=1$となる確率を$S(x^tw)$とする。$(y=\pm1)$ ここで$S()$は、潜在変数$f=x^tw$を確率に変換するシグモイド関数である。 $S(-f)=1-S(f)$を満たすものとする。$y=-1$となる確率は$S(-x^tw)$となる。 $w$の事前分布を$N(0,\Sigma_p)$とする。 回帰モ
    ガウス過程に基づく分類モデルの学習ノート - Qiita
    sh19910711
    sh19910711 2024/06/15
    "Linear: 事後分布を求めて、予測モデルから積分消去 / Gaussian Process: 計算が困難なため、事後分布𝑝(𝑓|𝑋,𝑦)を正規分布で近似 / 事後分布の対数値の最大値を求めて、これを中心とする二次のテーラー展開" 2019
    リンク

  • lavaanとRstanによる構造方程式モデリングの基本 - Qiita


    はじめに 解釈性と自由度の高さから構造方程式モデリングを使いたいと考えています。 そのため、構造方程式モデリングの基礎を簡単に勉強してみました。Rで行う場合ではlavaanパッケージを用いてモデリングが可能ですが、構造方程式モデリングの理解を深めるために、Rstanを用いたベイズ推定を行いたいと思いました。 基本的には、こちらとこちらの内容を自分用にまとめただけの内容です。 ※足りない部分があるので、あとで加筆していきます。 構造方程式モデリング概要 直接観測できない潜在変数を導入し、潜在変数と観測変数との間の因果関係等を同定するための統計的モデリング手法です。 主に社会現象や自然現象を理解するために用いられることが多いです。 また、SEMは回帰分析、因子分析、分散分析、共分散分析の分析を内包しているため、これらを表現することも可能です。 モデリングとしては、以下の二つの方程式を組み合わ
    lavaanとRstanによる構造方程式モデリングの基本 - Qiita
    sh19910711
    sh19910711 2024/06/15
    "構造方程式モデリング: lavaanパッケージを用いてモデリングが可能ですが、構造方程式モデリングの理解を深めるために、Rstanを用いたベイズ推定 / 潜在変数を導入し、潜在変数と観測変数との間の因果関係等を同定" 2019
    リンク

  • 予測性と説明性を両立した一般化加法モデルとGA2M - Qiita


    はじめに 線形モデルの一つに一般化加法モデルが存在します。 存在は知っていましたが、今まで気にとめることはありませんでした。 先日、KDD2019においてMicrosoftのチームが、医療データにおける分析についてのセッション(参考)を行ったそうです。 そこで、医療分野で予測モデルを作成した際には、予測精度と共に説明性が求められることが多く、その時に一般化加法モデルが有用だと紹介していたそうです。 また、一般化加法モデルに交互作用項を加えたGA$^2$Mを紹介していたそうです。 非常に気になりましたので、簡単にまとめてみたいと思います。
    予測性と説明性を両立した一般化加法モデルとGA2M - Qiita
    sh19910711
    sh19910711 2024/06/15
    "医療分野で予測モデルを作成した際には、予測精度と共に説明性が求められることが多く、その時に一般化加法モデルが有用 / 一般化線形モデルでの線形予測子を、非線形な関数の和としたモデル" 2019
    リンク
  • 1 2 3 4 5 6 7 8 次のページ

お知らせ

もっと読む

公式Twitter

  • @HatenaBookmark

    リリース、障害情報などのサービスのお知らせ

  • @hatebu

    最新の人気エントリーの配信

はてなブックマーク

公式Twitter

はてなのサービス

  • App Storeからダウンロード
  • Google Playで手に入れよう
Copyright © 2005-2024 Hatena. All Rights Reserved.