ggplot2でヒストグラムを箱ひげ図風に並べてプロットするパッケージggbrickを書いた - 廿TT
English version: abrahamcow.hatenablog.com github.com ggtetrisって名前にしようかと思ったんだけど、もうある（GitHub - EmilHvitfeldt/ggtetris: Create Tetris Chart Visualizations in R）みたいなので、ggbrickにしました。 brickはレンガっていう意味らしいです。 マニュアルは気が向いたときにちょっとずつ書きます。 インストールは devtools::install_github("abikoushi/ggbrick") で多分いけます。 入ってる関数は基本的にはgeom_brickだけです。 気が向いたら触ってみて変なところを教えていただけると嬉しいです。 以下デモです。 基本的な使い方はこう。 library(ggplot2) library(ggbr
Rにたくさんさいころを振らせて、さいころの分散を求めてみる - わかばめにっき
前回記事Rにさいころをたくさん振らせて、さいころの平均を求めてみる - わかばめにっきでは、Rの擬似乱数を使って標本平均が母平均の一致推定量であることを示しました。今回は後で述べる不偏標本分散という量が母分散の不偏推定量であることを調べていきます。 ところで母平均と母分散の定義ってなんだっけ？ 確率変数 が離散型、つまり実現値の個数が 個であって、それぞれの確率が のときを考えます。このとき、母平均 、母分散 はそれぞれ により与えられます。一方で確率変数 の連続型のときは、確率密度を とすると、母平均 、母分散 はそれぞれ により与えられます。母平均は確率変数の期待値を、母分散はどれくらい散らばりやすい確率変数かを表しています。 理想的なさいころの母平均と母分散はどうなる？ 確率変数 が理想的な確率分布 に従うとき、そのまま計算すれば、 となり母平均は 3.5、母分散はおおむね 2.91
妥当性と信頼性
★妥当性と信頼性の話 テストや質問紙を作る上で、この妥当性と信頼性をはずすことはできません。 妥当性は大まかに三つ種類があります。信頼性は、古典的テスト理論では算出のしかたが四種類あります。 内容的妥当性 テストや質問紙に用いられている課題や質問内容が、自分の調べたいことを含んでいるか、というものです。 例えば、国語の学力を測りたいときに、課題として計算問題や図形問題を出すのは、まったくナンセンスなわけです。 これはつまり、課題内容が内容的妥当性を持っていないため、ナンセンスであると言えるのです。 この内容的妥当性は、例にも示した通り、学力試験を作る上で非常に重要になってきます。 テストの得点を見て絶対評価をする場合、内容的妥当性が高いことが不可欠となります。 基準連関妥当性 自分の作成したテストや質問紙と、そのテストに関連のあるテストや質問紙(これらのテストや質問紙を「外的基準」と呼びま
Same Stats, Different Graphs: Generating Datasets with Varied Appearance and Identical Statistics through Simulated Annealing
Publication | ACM SIGCHI Conference on Human Factors in Computing Systems 2017 (Honorable Mention) Same Stats, Different Graphs Generating Datasets with Varied Appearance and Identical Statistics through Simulated Annealing “…make both calculations and graphs. Both sorts of output should be studied; each will contribute to understanding.” F.J. Anscombe, 1973 Anscombe’s Quartet It can be difficult
ベイズ統計モデリングと心理学
17. ベイズ統計 is 何 for 心理の人 • 古典的な統計学（因子分析などで使われる ような最尤法という推定手法が有名）より も柔軟なモデル推定を実現できるもの 適用例：モデルの未知数 (パラメータ) 多い ＋モデルが複雑な場合にも適用可能 ＋ N の少ないデータでも適用可能 詳しいことはやる気が出てから学ぼう！ 出なければ出るまであたためよう！
雑記： 交差エントロピーって何 - クッキーの日記
機械学習をしているとよく交差エントロピーを最小化させられると思います。 でも冷静に考えると交差エントロピーが何かよくわかりませんでした。むしろエントロピーがわかりませんでした。 以下の記事を読み、もっと無理がない例で短くまとめたかったのですが、やはり例に無理があり、長くなってしまいました。参考文献 情報理論を視覚的に理解する (1/4) | コンピュータサイエンス | POSTD 情報理論を視覚的に理解する (2/4) | コンピュータサイエンス | POSTD 情報理論を視覚的に理解する (3/4) | コンピュータサイエンス | POSTD 情報理論を視覚的に理解する (4/4) | コンピュータサイエンス | POSTD ニューラルネットワークと深層学習 以下はこれら記事の劣化アレンジです。 A国、B国、C国があります。 A国では、一日の天気は25%ずつの確率で晴れ、曇り、雨、雪にな
データサイエンティストもしくは機械学習エンジニアを目指すならお薦めの初級者向け6冊＆中級者向け15冊（2017年春版） - 渋谷駅前で働くデータサイエンティストのブログ
(Photo credit: https://pixabay.com/en/books-door-entrance-italy-colors-1655783/) この記事は一昨年のこの書籍紹介記事のアップデート版です。 相変わらず毎月のように新刊書が出続けるデータ分析業界ですが、良い本が増え続けてきたせいでついに初級者向けは6冊、中級者向けは何と15冊にまで膨れ上がってしまいました（汗）。ともあれ、自分のところにアフィリエイトの類は一銭も入らないにもかかわらず*1懲りずに書籍紹介をやろうと思います。 あ、最初に断っておきますが僕の知識レベルは極めて適当なので、極めていい加減なことを書いている可能性があります。また最初に読んでから時間が経っていて記憶があやふやなせいで、内容に関する記述が不正確な書評が混じっている可能性もあります。誤っているところやおかしいところがあったらバンバン突っ込んでく
機械学習を学ぶ上で抑えておきたい数学２ - HELLO CYBERNETICS
機械学習や深層学習を学ぶ上で、数学は言語である 線形代数学 行列とベクトルは連立方程式を解くための記法 機械学習での活躍 どこまで学ぶか 最適化数学 学習とは 教師あり学習 教師なし学習 最適化を行う際の重要ワード「正則化」 どこまで学ぶ必要があるか 確率・統計 最低限知っておくべき定理や性質 最低限知っておくべき推定法 確率分布には見慣れるしかない 何に役立つのか 情報理論 情報を確率で記述する 何に役立つのか 情報幾何学 発祥は日本 機械学習での役割 海外での方が有名？ 機械学習や深層学習を学ぶ上で、数学は言語である 以前、学びたい機械学習のレベルに応じて、どんな数学が必要になってくるのかを紹介しました（以下の記事）。 s0sem0y.hatenablog.com そのときにも述べましたが、数学というのは何らかの操作を非常に簡潔に表現してくれます。要するに情報をギュッと圧縮して伝える手
仮説検証とサンプルサイズの基礎 - クックパッド開発者ブログ
パートナーアライアンス部 森田です。有料会員の獲得施策や、それに関わるサービス内動線の最適化を担当しています。 記事の対象 仮説検証を通じて何かを改善をしたいと思っている人 仮説検証の際に「どれくらいのデータを集めたら良いか」分からない人 はじめに 仮説検証とは「仮説を立て、それを証明するためのデータを集め、真偽を確かめること」です。今回は仮説検証を行う際の手順と、その検証に必要なサンプルサイズの考え方を説明します。サンプルサイズの話のみ関心があるかたは、前半を飛ばし「サンプルサイズの決め方」を読んでください。 目次 記事の対象 はじめに 目次 仮説検証のつくりかた 1. 仮説をたてる 2. 施策/KPIを考える 3. 仮説検証後のアクションを決める 4. 対象を決める 5. サンプルサイズを計算する サンプルサイズの決め方 答えを先に サンプルサイズを決める二つの要素 「二つの平均値」と
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Seeing Theory
Estimation Stats
Jim Grange
Doing Bayesian Data Analysis
How to compare dependent correlations
Probability Distributions Viewer
ROPE and Equivalence Testing: Practically Equivalent?
心理学における「再現性」の問題とBayes Factor
Why Within-Subject Designs Require Fewer Participants than Between-Subject Designs
臨床心理学における例数設計
UpFlow: Share engaging content tailored to your audience | upflow.co