今回の記事では、GASを使ってスプレッドシートにデータを書きこむやり方について解説します。 【GASでスプレッドシートのセルに書きこむ基本構文 】 GASでスプレッドシ…
間が空いてしまいましたが(1)の続きとなります。こちらでは対応のある一元配置分散分析や、二元配置分散分析について纏めます。個人的な備忘録の色合いが強く、色々と端折っている部分があります。 ※環境はJupyter Notebookの想定です。 ※有意水準は全て5%(0.05)とします。 対応のある一元配置分散分析 使用するデータ statsmodelsを用いる方法 繰り返しのある二元配置分散分析 使用するデータ statsmodelsを用いる方法 対応のある一元配置分散分析 使用するデータ ここでは入門-統計学-第2版-という教科書171ページにある、対応のある一元配置分散分析の例題について、Pythonでトライしてみます。 こちらは2名の喫煙者Aさん、Bさんに対して、禁煙外来のカウンセリングが喫煙本数を変化させたかを検証する、という例題であり、以下の表がその結果となります。表内の数値は1日
はじめに ほんと、久々の更新になってしまいました。。。 いまだに月間で1000PVほど見られているようでとてもありがたく思いますm(_ _)m 最近も変わらず因果推論の研究を中心に行っておりますが、それ関連の内容はまた機会をみてblogで書いていければと思っています。 また先日、twitterで公開したこちらのスライドもたくさんの方に見ていただけまして、コメントも頂けたりして、とても嬉しく、励みになっています。 speakerdeck.com また、少しずつではありますが更新いたしますので、たまに覗いていただければ嬉しいです。 では、本題にまいります。 今回の更新 とはいっても、今日の更新は、大した内容ではなく、pythonでstepwise regressionの関数で自分がほしいものがないので、つくりましたという内容です。 Stepwise Regressionについて 特に、回帰モデ
記事を見て頂きありがとうございます。今回は中心極限定理について記事を書いてみました。中心極限定理について二項分布・正規分布・ポアソン分布を用いて説明します。 本記事の目的 中心極限定理とは 中心極限定理のシュミレーション 確率分布 正規分布とは 正規分布の特徴 二項分布とは ポアソン分布とは 中心極限定理のメリット 各分布の利用用途 正規分布活用CASE: 二項分布活用CASE: ポアソン分布活用CASE: 本記事の目的 本記事は以下を目的としています ・中心極限定理のメリットや活用用途の理解 ・実際に動かして学び理解を深める 中心極限定理とは 中心極限定理とはサンプルサイズが大きい時は、母集団分布が分からなくても、確率変数の和は正規分布に近いものとなることです。 中心極限定理は母集団がいかなる分布に従っていても、正規分布として扱うことができるのがメリットで、実際のユースケースでいうと標準
機械学習など主に予測を目的とした統計手法に強いイメージのPythonでしたが、統計的因果推論を行うためのライブラリ、“DoWhy”がついにリリースされました。 DoWhy | Making causal inference easy — DoWhy | Making Causal Inference Easy documentation これまで因果推論があまり浸透してこなかった*1データサイエンス界に新しい風が吹くのではと期待が高まります。 一方でこのパッケージが何を可能にし、逆に何ができないのかを理解しなければ、雑なデータ分析が増えて逆に有害なのではと思い、今回ブログを書くことにしました。 先に言っておくと、私自身はPythonをメインに使っているわけではありません(使ったことはあるので一応コードを読んで何が起こっているかくらいはわかります)。したがって本記事の目的は、DoWhyライブ
Python3 コード limit4.py #!/usr/bin/env python3 """(docstring) """ import sympy as sym class MathProblem: """(docstring) """ @staticmethod def print_math_problem(): """(docstring) """ print('関数の極限を求めよ。') print('') class Limit4: """(docstring) """ def __init__(self, expr, num): """(docstring) """ self.__expr = expr self.__num = num def limit_func4(self): """(docstring) """ x = sym.Symbol('x') f = expr
PyTorch に慣れるためにコードをたくさん読み書きしていきたい。 今回は MNIST データセットを使ってシンプルな AutoEncoder を書いてみる。 使った環境は次のとおり。 $ sw_vers ProductName: macOS ProductVersion: 14.5 BuildVersion: 23F79 $ python -V Python 3.11.9 $ sysctl machdep.cpu.brand_string machdep.cpu.brand_string: Apple M2 Pro $ pip list | egrep "(torch|matplotlib)" matplotlib 3.9.0 torch 2.3.1 torchvision 0.18.1 もくじ もくじ 下準備 サンプルコード 下準備 下準備として必要なパッケージをインストールする。
概要 統計の勉強の一環で、最近はこの本を読んでます。かなり分かりやすいです。 データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学) 作者: 久保拓弥出版社/メーカー: 岩波書店発売日: 2012/05/19メディア: 単行本購入: 16人 クリック: 163回この商品を含むブログ (19件) を見る統計モデリングに関する本です。一般化線形モデルを中心に話が進んでいきます。 この本はRを中心に話が進んでいきますが、せっかくなのでPythonで一般化線形モデルを試してみようと思います。 Pythonの統計ライブラリ 一般化線形モデルとは、線形回帰を(正規分布以外でも使えるように)拡張した統計モデルです。 詳しい説明は教科書に譲るとして、Pythonでのライブラリについてお話します。 Pythonで一般化線形モデル、というか統計全般のライブラ
ITエンジニアのためのデータサイエンティスト養成講座(10): 時系列分析II―ARMAモデル(自己回帰移動平均モデル)の評価と将来予測 過去の時系列データを基に、将来予測につながるモデルを検討、実際に将来予測を行って検証してみましょう。(2014/9/1) ITエンジニアのためのデータサイエンティスト養成講座(9): 時系列分析I ――ARMAモデルと時系列分析 システムログも金融取引データも時系列で分析できる。ビジネスシーンで求められるデータ分析の多くを占める「時系列データ」分析の基礎を解説。(2014/6/24) ITエンジニアのためのデータサイエンティスト養成講座(8): 富山県民を分類してみたら……?――クラスタリング分析の手法 あるグループを属性ごとに分類する「クラスタリング分析」の基本を学ぼう。今回も自治体が公開しているオープンデータを題材にします。(2014/3/19) I
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
処理を実行中です
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