Pythonによるパーティクルフィルタの実装と状態空間モデルへの適用 - Qiita
パーティクルフィルタ/粒子フィルタ(Particle filter)、逐次モンテカルロ法(Sequential Monte Carlo: SMC)など様々な呼び方がありますが、この記事ではパーティクルフィルタという呼び方を使います。このパーティクルフィルタをPythonで実装して状態空間モデルの潜在変数を推定することを試したいと思います。 状態空間モデルにはさらに細かくいくつものモデルが分かれていますが、今回はシンプルなモデルであるローカルモデル(１階差分トレンドモデル)を対象として扱います。この状態空間モデルのトレンドの種類に他に何があるかを知りたい場合はココをご参考としてください。 $x_t$は時刻tにおける潜在状態を表し、$y_t$は観測値を表します。 利用するデータは「予測に生かす統計モデリングの基本」のサンプルデータ(http://daweb.ism.ac.jp/yosoku/)
fluentdのexec_filter Output PluginでPythonプログラムを使う - Qiita
# coding=utf-8 """ fluentdのout_exec_filterで呼ばれるコード 標準入力から1行ずつ処理を行ない、結果を標準出力に吐く """ import json import logging import logging.config import sys import traceback import msgpack logging.config.fileConfig('/path/to/logging.conf') logger = logging.getLogger('fluent-exec') logger.propagate = False def main(): stdin = sys.stdin output(convert(validate(parse(readline(stdin))))) def readline(stdin): for li
1
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
