kazutan711のブックマーク - はてなブックマーク

中古マンション売買データを分析してみた(2) - 路線と駅による中古売買価格の違い - About connecting the dots.
というわけで前回予告した通りに，引き続き川崎横浜の中古住宅についてみていきましょう．今回のテーマは路線と駅，です．その中でも個人的な興味は，特に東横線プレミアムってやつは存在するのか，というものです*1．実際，東横線沿いの住宅ショールームとかみにいくと，立地や都心アクセスがそこまでずば抜けてるわけでもないのに，やたらに値段の高い物件とかあるわけです．そういうときに営業さんに高いっすねーというと，大概「東横線ですから」とか「万が一中古で手放すときでも値下がりしないですよ」とか言い放ってくるパターンがそれなりにあります．まぁそんなわけで，今回は路線と駅によるブランド力を検証したいと思います．モデル仮説を検証するためのモデルについてですが，今回は路線と駅を使って線形モデルを組み立てます．データに含まれる路線と駅は，それぞれ23路線，133駅と結構な数があるため，これをそのまま通常の回帰モデル
kazutan711 2015/07/31
R
リンク
データ分析における不確実性と変動性の違い - About connecting the dots.
仕事をしていてデータを意思決定に用いる場合，データから予測されるシミュレーション結果が，どの程度信頼できるかということを判断する必要があります．例えば前期に20回実施して，14回は想定通りの効果が得られ，残りは失敗した施策があるとして，これを今期実施したらどの程度成功して，いくらの売り上げになるのか，みたいな場合です．これを職場の偉い人に説明しにいくときに，予測売り上げをわかりやすく説明する必要があります．もちろん予測ぴったりになるとは限らないので，ある程度のレンジをもって伝えるわけですが，このときに，できるだけレンジの幅を縮めたり，また説明性を高めたりしないといけないわけですね．この予測のレンジについて，変動性と不確実性の2種類に区分することができます，というのが今回のネタです．元ネタはこちらの本になります*1．入門リスク分析―基礎から実践作者: デビッドヴォース,David Vo
kazutan711 2014/04/20
R

statistics

統計
リンク
kaggleで予測モデルを構築してみた (5) - Rで行うMultipleImputation - About connecting the dots.
ということで，前回で触れたように，データの前処理を実際に行っていきたいと思います．その中でも今回は，欠損値補完についての話をしていきます．今回のデータでは，NAが含まれているageのデータを補完する必要があります．とはいえ，欠損値を補完するにもいくつか方法があって，どの補完を行うのが妥当かというのを考えなければいけません．そこでまず，欠損値がどういう性質を持っているかについてみていきましょう．欠損のメカニズム欠損のパターンデータの欠損には大きく分けて3つのパターンがあります． Missing Completely At Random(MCAR)：完全にランダムに欠損が生じているもの Missing At Random(MAR) ：データ欠損が，データに含まれるほかの変数と関連はしているが，その影響を取り除いた自分自身の値とは関連していないもの Missing Not At Rand
kazutan711 2013/01/11
統計

Ｒ

欠損値

分析
リンク
1