メアド晒ったーbot @saratterbot 携帯キャリアメールアドレスを探してリツイートしています。 http://twilog.org/saratterbot
メアド晒ったーbot (saratterbot)さんはTwitterを使っています
メアド晒ったーbot @saratterbot 携帯キャリアメールアドレスを探してリツイートしています。 http://twilog.org/saratterbot
JTT Online Shop『うるさくないカラOK！ ミュートマイクUSB』
>>お買いあげはこちら ■ うるさくないカラOK！ミュートマイクUSB ■ 商品名：うるさくないカラOK！ミュートマイクUSB ■ 型 番：MUMICUSB ■ 価 格：4,480円（税込） 最近は、自宅で楽しめるカラオケも増えて来ましたが、せっかく買っても自宅で大声で歌うのは近所迷惑だし、歌唱力に自信がない人は、歌声を他人に聞かれることに恥ずかしさを感じてしまい、自宅では思い切りカラオケを楽しむことが出来ませんでした。 そんな自宅カラオケ難民の方にオススメなのがこの「うるさくないカラOK！ミュートマイクUSB」です。 マイクに付けた「ミュート（防音カップ）」が歌声のもれを大幅にカット。ヘッドホン（別売）と併用すれば、お隣を気にせずにカラオケを好きなときに楽しむことが出来るようになります。
NeuralNetwork、SVM、NaiveBayesでのSpam判別の精度比較！訓練データの割合でどう変わるのか？！ - kingqwertの覚書
R, 統計, 機械学習 まぁ、表題の通りです。NeuralNetwork、SVM、NaiveBayesの３つの手法で、訓練データの割合を１〜９９％まで変更させた時に、どのように正答率が変化するのかをシュミレーションしてみましょう。結果はこのようになりました。 明らかにNaiveBayesの精度が悪いですね。SVMとニューラルはほぼ同じくらいですが、訓練データの割合が少ない場合はSVMよりもニューラルネットの方が精度が高いようです。 これは、4600のデータしかないので訓練データが１％などというのは少なすぎて微妙だとは思いますが、結構如実に３手法の間で違いが出てきて興味深いですね。なぜそうなるのかは、のちのち書いていこうと思います。 あと、Tipsとしては、for文の中において、今何回目のループなのかを判別するためにfor文内の最初に message(paste(i,""),appendLF
モデル式を使えるようになりたい - もうカツ丼はいいよな
lm()とかで使うチルダ使ったアレ． lm(x ~ y, data = hoge) モデル式，モデル公式，model fomulaなどと呼ぶ．すごくおおざっぱな言い方をすると，チルダ"~"の左側の変数を右側の式で説明するモデルを作成する*1． > str(x~y) Class 'formula' length 3 x ~ y ..- attr(*, ".Environment")=<environment: R_GlobalEnv> クラスはformulaで，表現式オブジェクトみたく評価されてない状態のオブジェクトができる． もうちっと詳しいことはやはりあそこ(Rの言語仕様とか色々参考にできそうな関数とかのメモ - yasuhisa's blog)を参考にしてもらうとして，やりたかったのは何かというとdata=というアレ． my.dataframe <- data.frame(x=1:5,
R-Source
回帰分析を行なうために以下の関数が用意されている． lsfit() ： 最小二乗法による回帰を行う． lm() ： 線形モデルによる回帰を行う glm() ： 一般線形モデルによる回帰を行う ここで対象となるモデルは以下のような線形モデルである． 上式をベクトル表記すると y = Xb + e となる．このときの y は応答ベクトル，X は説明変数のベクトル（モデル行列）で，x0 は切片項（要素が全て 1 である列ベクトル）となっている． 回帰分析と重回帰分析 関数 lm() により線形モデルの当てはめを行うことが出来る．この関数により，回帰分析や分散分析，そして共分散分析を行うことが出来る． 詳しい解説は『工学のためのデータサイエンス入門』(間瀬・神保・鎌倉・金藤 共著，数理工学社) を参照のこと．分散分析や非線形回帰についても詳しい解説が載っている． 関数 lm() の書式と引数 書式
ofmind.net
ofmind.net 2020 Copyright. All Rights Reserved. The Sponsored Listings displayed above are served automatically by a third party. Neither the service provider nor the domain owner maintain any relationship with the advertisers. In case of trademark issues please contact the domain owner directly (contact information can be found in whois). Privacy Policy
R-Bayes
> p=seq(0,1,length=500) > a=10 > b=3 > s=21 > ns=26 > prior=dbeta(p,a,b) > like=dbeta(p,s,ns) > post=dbeta(p,a+s,b+ns) > Names<-c("prior","likelihood","posterior") > plot(p,like,ylim=range(post),type="l",main="prior,lilelihood,and posterior",xlab="x",ylab="Density",lty=2,lwd=1) > lines(p,prior,type="l",lty=1,lwd=1) > lines(p,post,type="l",lty=3,lwd=1) > legend(0,5,Names,col=1,lty=1:3) ナイーブベイズ(Naiv
Rの基礎
Abstract 本稿では，統計解析を目的としたインタプリタ言語，およびその開発実行環境であるRの基礎的な使用法について述べる． Rは，統計解析を目的としたインタプリタ形式のプログラミング言語 R言語 のことであり，またその開発実行環境であるフリーソフトウェアのことである．ニュージーランドのオークランド大学統計学科のRoss Iahakaと，アメリカのハーバード大学生物統計学科のRobert Gentlemanにより1990年代半ばに開発された． R言語は，1980年代にAT&T研究所において開発されたS言語（S-PLUS）を参考としている．見かけ上はS言語との差違が少ないことからS言語のクローンと言われている．Rが開発されるまでは，このS言語やSAS，SPSSのパッケージがデータマイニング機能を備えた主なデータ処理・解析ソフトとして用いられてきたが，非常に高価であり，個人ユーザには入手し
R-Source
引数のチェックを行う 特定の引数に対して関数の手続きを変更したい場合は，if 文などの条件分岐で場合分けをすればよい．以下の関数 myprod() は引数 n が 0 の時に 1 を返す． myprod <- function(n) { if (n==0) 1 else prod(1:n) } myprod(0) [1] 1 myprod(5) [1] 120
SVM のチューニングのしかた（１） - ほくそ笑む
SVM のチューニング SVM(Support Vector Machine) はみなさん御存じ機械学習の手法です。 SVM はデフォルト設定でモデルを作ってもしょうがないです。gamma と cost というパラメータがあるので、これらの値に最適値を設定しなければなりません。R の SVM の Help にもこう書いてあります。 Parameters of SVM-models usually must be tuned to yield sensible results! (訳) SVM でいい結果出したかったらチューニングしろよな！ というわけで、SVM のチューニングのしかたについて説明したいと思います。 交差検証 おっと、その前に、交差検証の話をしなければなりません。 SVM モデルをチューニングする際、二つのパラメータでグリッドサーチをします。 すなわち、パラメータをいろいろ変
オッカムの剃刀 - Wikipedia
三浦俊彦が描いたオッカムの剃刀の説明図[1]。三浦はオッカムの剃刀について「ある事実Pを同様に説明できるのであれば仮説の数（または措定される実体の数）は少ないほうが良い」とするものだと説明した。 オッカムの剃刀（オッカムのかみそり、英: Occam's razor、Ockham's razor）とは、「ある事柄を説明するためには、必要以上に多くを仮定するべきでない」とする指針。14世紀の哲学者・神学者のオッカムが多用したことで有名になった。21世紀の現代医学は、オッカムの剃刀の概念を少し時代遅れにし、あらゆるリスクの管理を見直すべきだという指摘がある[2]。 概要[編集] もともとはスコラ哲学における流儀であり、様々なバリエーションがあるが、20世紀にはその妥当性を巡って科学界で議論が生じた。「剃刀」という言葉は「説明に不要な存在を切り落とすこと」を比喩しており、「説明するために必要以上に
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
http://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2010/dm/dm-tsaito-1214.pdf
Blogger
R 言語定義 (R Language Definition) Version 1.1.0 (2000 June 15) DRAFT R Development Core Team
RealTokyoEstate-東京R不動産-