bnlearn - Bayesian network structure learning
Features bnlearn provides an open implementation of large parts of the literature on Bayesian networks: Classes of Bayesian networks: discrete (multinomial) Bayesian networks for discrete data, Gaussian Bayesian networks for continuous data and Conditional Gaussian networks for mixed data. Structure learning algorithms: constraint-based (PC Stable, Grow-Shrink, IAMB, Fast-IAMB, Inter-IAMB, IAMB-FD
CausalImpact
An R package for causal inference using Bayesian structural time-series models What does the package do? This R package implements an approach to estimating the causal effect of a designed intervention on a time series. For example, how many additional daily clicks were generated by an advertising campaign? Answering a question like this can be difficult when a randomized experiment is not availab
[R] CausalImpact でできること, できないこと - ill-identified diary
概要Brodersen, Gallusser, Koehler, Remy, & Scott (2015) により提案され, R で実装された時系列因果推論フレームワーク, CausalImpact は, シンプルで分かりやすい difference in differences (DID) の因果推定理論に基づいており, マーケティングイベントがもたらすインパクトを計測するツールとして紹介されている. しかし, DID が非常にシンプルであれるのは, 厳格な仮定を置いているからであり, 利用する際には多くの注意が伴う. そこで今回は, より発展的な理論について考察したことを垂れ流してみる. あとついでに tsibble パッケージの使い方とかも少しだけ触れている. この問題は CausalImpact の考案以前からある議論についても振り返る必要があるので, まず Rubin (1974
![[R] CausalImpact でできること, できないこと - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/74171644a04868719f87b790d8c2ed5c7db604a5/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20191009%2F20191009025251.png)
とある実験の記録 - 渋谷駅前で働くデータサイエンティストのブログ
先日書いたこの記事ですが、「トイデータとは言え乱数シードを一つに決めて発生させたランダムウォークに対して実験をしているので、乱数シードを複数通りに変えてみたら結果は変わってくる（再現しない）のではないか？」という指摘を何人かの友人知人から貰いました。正直言って多項式フィッティングには何の思い入れもないのですが、再現性があるかどうかについては単純に気になるところです。 ちなみに、以前沖本本で勉強した際にあった「ランダムウォークには平均回帰性がなく時間と共に不確実性が増すため事実上予測不可能（特に長期予測）」という議論の通りで、本来ならランダムウォークに対して「予測」を行うのはそもそも適切ではありません。ただし、短期予測なら例えば状態空間モデルやBSTS的な方法で多少は精度を改善できるのでは？と考えていたのは事実で、同じことが無根拠でナンセンスな多項式フィッティングでも出来たら面白いかもと思っ
[R] bsts (ベイズ構造時系列モデル) パッケージの使い方 - ill-identified diary
概要 ベイズ構造時系列モデリングを行う bsts パッケージは最近リリースされたばかりである. このパッケージはまだ (日本語の) 情報が少ないため, ここで理論と応用例を包括的に説明することを試みる. bsts とは, Bayesian Structural Time Series, つまりベイズ (ベイジアン) 構造時系列モデルの略称である. 某有名IT企業の某有名データサイエンティストの方が bsts パッケージの入門記事 tjo.hatenablog.com を書いていたが, より詳細で広範な説明がほしいところであった. 奇しくも bsts の開発者もこの方と同じ企業に所属しているので, 何か特別な思い入れがあるのかとも思ったが, 本人はなかなかより詳細な記事を書く気配がないため, しびれを切らして自分が書くことにした (あてつけではない). この記事の残りの構成は次の通り. まず
![[R] bsts (ベイズ構造時系列モデル) パッケージの使い方 - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/15771976b61e6c1b9194ad5db39d8aa2497dc568/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20170908%2F20170908000348.png)
Fitting Bayesian structural time series with the bsts R package
by STEVEN L. SCOTT Time series data are everywhere, but time series modeling is a fairly specialized area within statistics and data science. This post describes the bsts software package, which makes it easy to fit some fairly sophisticated time series models with just a few lines of R code. Introduction Time series data appear in a surprising number of applications, ranging from business, to the
brmsを使ってみる - まずは蝋の翼から。
brmsというStanのラッパーパッケージで遊ぶ。 概要 例えば、rstanを使う場合はStanコードを別ファイルの.stanに記述してそれを呼び出す形でbayes推定をおこなう。一方、brmsを用いるとStanコードをわざわざ書かなくてもbrmsパッケージの関数を用いればbayes推定ができる。正確には、関数を介して内部的にStanコードを走らせているらしい。そのため、brmsを用いて書いたbayes modelが内部的に持っているStanコードはどうなっているか知りたい場合はそのコードを出力することも可能。 また、指定するための事前分布が豊富に存在するので、例えばStanで記述するのが面倒なゼロ過剰ポアソン分布なども簡単に使えるらしい。 ちなみに、brmsははBayesian Regression Models using Stanの略。 今回、brmsの練習のために「StanとRでベ
brmsパッケージを用いたベイズモデリング入門 - nora_goes_far
はじめに 本記事は、Stan Advent Calendar 2018 16日目の記事です。brmsパッケージを用いたモデリングの方法や、便利機能、ちょっとしたtipsを紹介します。 brmsパッケージのコンセプトは、 ベイズで（Bayesian）、回帰モデルを（Regression Model）、扱おう、 Stanを使って（using Stan） です。 読み方はそのまま「ビー・アール・エム・エス」です（僕は勝手にブラムスと呼んでいますが）。 その名の通り、Stanのラッパーパッケージですが、ユーザは自身でStanコードを書く必要はなく、モデルを指定すると自動的に内部でStanコードが生成され、サンプリングが実行されます。 最近は、brmsを用いて分析した論文も見かけるようになってきました。例えば難波修史さんのこの論文とか Dynamic Displays Enhance the Abi
LiNGAMのベイズ的アプローチであるBayesLiNGAMを動かして見た - Qiita
機械学習プロフェッショナルシリーズ「統計的因果探索」の最後にソフトウェアとしていろんなLiNGAMアプローチを扱ったソースコードが紹介されています。 今回はその中からLiNGAMのベイズ的アプローチである「BayesLiNGAM」を動かして見ます。 BayesLiNGAMの理論についてはこれから勉強します。（とりあえずまずは動かしたかった） BayesLiNGAMに関連する参考文献を挙げておきます。 BayesLiNGAMのホームページ？ 元論文 潜在クラスが存在する場合のベイズ的アプローチによる非ガウス因果構造推定法（PDFファイルがダウンロードされます） LiNGAMを用いた因果関係同定による工数データセットの分析 A→Bなのか、B→Aなのかをデータから見抜くことはできるだろうか？（LiNGAMのシミュレーションをしてみた） パッケージのインストール BayesLiNGAMのホームペー
[R] fb Prophet の解剖で学ぶベイズ時系列モデリング - ill-identified diary
初めに prophet のモデルの説明 ハリボテの R言語 なぜベイズ推定する必要があるのか 結論 補足: バージョン 0.3 で追加された機能について 参考文献 初めに昨年, KFAS, bsts と, いくつか R の時系列モデリングパッケージを紹介記事を書いた. FaceBook によって開発されたという prophet パッケージも紹介したかったところだが, 日本語での説明は既に公開されている hoxo_m 氏のものが網羅的であり, 使い方の解説としてはこれ以上やることがほぼないと言っていい. Prophet入門【R編】Facebookの時系列予測ツール from hoxo_m Prophet入門【理論編】Facebookの時系列予測ツール from hoxo_m あとはあるとすれば紹介論文やヘルプの全訳くらいだが, そんな面倒 (かつ退屈) なことはしたくない. そこで, pro
![[R] fb Prophet の解剖で学ぶベイズ時系列モデリング - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/fe0a5c71803770baafc2c2d4408c73afde1bc5d2/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20180528%2F20180528013747.png)
ベイズ構造時系列モデルを推定する{bsts}パッケージを試してみた - 渋谷駅前で働くデータサイエンティストのブログ
Rパッケージ紹介ばかりが続いていて恐縮ですが。。。最近になってこんなものがFacebookからリリースされていたのを知りました。 これはこれで使いやすそうだなと思ったんですが、実はGoogleからも同様のMCMCサンプリングベースの時系列分析向けCRANパッケージ{bsts}がしばらく前から出ていたりします。見た感じ日本ではほとんど知られていないように見受けられるのですが、どんなものなんでしょうか？ ということで、一応他社フレームワークの紹介をするよりはこちらのフレームワークの紹介を先にする方が筋かな*1と思ったもので（笑）、ここでは遅ればせながら{bsts}パッケージの紹介をすることといたします。 そもそも{bsts}とは 名前が示す通り、Bayesian Structural Time Series（ベイズ構造時系列）の時系列分析を行うパッケージです。愚かにもVignetteがないので
Stanで推定するローカルレベルモデル | Logics of Blue
新規作成日：2015年12月6日 最終更新日：2016年9月22日 Stanを使って、ローカルレベルモデルを推定しましょう。 今回はナイル川の流量データを対象として、ローカルレベルモデルを推定します。 なお、Stanとベイズ推定の基礎に関しては、以下の記事をご覧ください ベイズ統計学基礎 ベイズと統計モデルの関係 ベイズとMCMCと統計モデルの関係 Stanによるベイズ推定の基礎 状態空間モデルの基礎に関しては、以下の記事をご覧ください 状態空間モデルとは dlmの使い方（Stanを使わないで状態空間モデルを推定する方法について書いてあります） ローカルレベルモデル 季節とトレンド コードをまとめたものはこちらにおいておきます。コピペする際はこちらをお使いください。 スポンサードリンク 目次 1．ローカルレベルモデルとは 2．状態空間モデルの「左端」の問題 3．Stanによるローカルレベル
glmmstanパッケージを作ってみた
glmmをstanで実行するためのパッケージを作りました。 lmer()と同じ文法でコードを書くと，簡単にMCMC推定できます。Read less
RStanとShinyStanによるベイズ統計モデリング入門
第50回 TokyoR 発表資料 Stanコードは下のサイトで公開しております。 https://github.com/teuder/TokyoR50 Read less
RStanで『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
こんばんは、ゆるふわの対極であるところのガチムチ角刈り系のberoberoです。 この記事はR Advent Calendar 2013の26日目の記事になります。 12/22(日)にBUGS/Stan勉強会#2がドリコム株式会社にて催されました。そこで2つ発表をしました。そのうちの1つ「『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」に関する詳細＆補足＆苦労話をここで書きたいと思います。RStanというパッケージでRからStanというMCMCサンプリングソフトを使っています。 最初に発表内容のスライドは以下になります。ざっと見るにはこれで十分です。 『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 from berobero11 以降ではスライドごとに簡単に補足していきます。 まずは元となった書籍の紹介です。時系列解析の第一人者による分か
協調フィルタリングについてまとめてみた。 - Analyze IT.
A Survey of Collaborative Filtering Techniques(Xiaoyuan Su and Taghi M. Khoshgoftaar, 2009,Advances in Artificial Intelligence) 仕事で協調フィルタリングについて調べる必要が出てきたのだが、あまりよい日本語の文献を見つけられなかったため（後にしましま先生の文献を見つけた）やむなく英語の論文を検索したところ、 上記のよいサーベイ論文を見つけた。というわけでこのサーベイ論文に書かれていることに自分なりに調べたことを加えて、自分用にまとめておく。 また、一部の人達の間ではとても有名なしましま先生の論文（ドラフト版）があるので、英語が苦手な人はそちらをご覧になるとよいと思われる。 協調フィルタリングは、一言で言えばユーザとアイテムのマトリックスを用いた顧客への商品のレコメン
生態学データ解析 - 最尤推定法とは
最尤推定 (さいゆうすいてい): 「最ももっともらしい」パラメーターの推定 「尤」の音読みは「ゆう」，訓読みは「もっともらしい (尤もらしい)」です． 尤度とは，ある確率論的モデルを仮定しているときに，その観測データが得られる確率 (あるいは確率密度) 簡単には，ある観測データに (あるパラメーターのもとで) 確率論的モデルが「どれぐらいあてはまっているか」を確率で表す尺度です 最尤推定とは，尤度を「手持ちの観測データのもとで，あるパラメーター値が得られる確率」とみなして (つまり尤度が未知パラメーターの関数とみなして)，尤度を最大化するようなパラメーター値を探索する推定方法です 最尤推定法を使う手順は 尤度方程式を作る: 確率論的モデルを作り (データがどういう確率分布に従うか，確率分布のパラメーターの関数型はどうなってるか)，それを数式として定義する……これが尤度方程式である 尤度最大
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
RPubs - brmsパッケージ
[特集] ベイズ推論とMCMCのフリーソフト - 岩波データサイエンス![[特集] ベイズ推論とMCMCのフリーソフト - 岩波データサイエンス](https://cdn-ak-scissors.b.st-hatena.com/image/square/38c2d6c83814d2ae88209ca9471f2d28e750817f/height=288;version=1;width=512/https%3A%2F%2Fsites.google.com%2Fsite%2Fiwanamidatascience%2F_%2Frsrc%2F1443012323967%2Fvol1%2Fsupport_tokushu%2F03867.jpg%3Fheight%3D200%26width%3D142)
ベイジアンネットとレコメンデーション －第５回データマイニング+WEB勉強会＠東京
