Cookbook for R » Graphs
Graphs There are many ways of making the same kinds of graphs in R, each with its advantages and disadvantages. The focus here is on the ggplot2 package, which uses a "grammar of graphics" to design graphs, rather than the usual procedural methods. Graphs with ggplot2 Bar and line graphs (ggplot2) Plotting means and error bars (ggplot2) Plotting distributions (ggplot2) - Histograms, density curves
Function reference
A layer combines data, aesthetic mapping, a geom (geometric object), a stat (statistical transformation), and a position adjustment. Typically, you will create layers using a geom_ function, overriding the default position and stat if needed. layer_geoms Layer geometry display geom_abline() geom_hline() geom_vline() Reference lines: horizontal, vertical, and diagonal geom_bar() geom_col() stat_cou
Create Elegant Data Visualisations Using the Grammar of Graphics • ggplot2
Usage It’s hard to succinctly describe how ggplot2 works because it embodies a deep philosophy of visualisation. However, in most cases you start with ggplot(), supply a dataset and aesthetic mapping (with aes()). You then add on layers (like geom_point() or geom_histogram()), scales (like scale_colour_brewer()), faceting specifications (like facet_wrap()) and coordinate systems (like coord_flip()
Cookbook for R » Cookbook for R
Cookbook for R Welcome to the Cookbook for R (formerly named R Cookbook). The goal of the cookbook is to provide solutions to common tasks and problems in analyzing data. Most of the code in these pages can be copied and pasted into the R command window if you want to see them in action. Basics Numbers Strings Formulas Data input and output Manipulating data Statistical analysis Graphs Scripts and
plyr
plyr is a set of tools for a common set of problems: you need to split up a big data structure into homogeneous pieces, apply a function to each piece and then combine all the results back together. For example, you might want to: fit the same model to subsets of a data frame quickly calculate summary statistics for each group perform group-wise transformations like scaling or standardising It’s a
seekR - 統計分析ソフトウェア R のための検索エンジン
統計分析ソフトウェア R のための検索エンジンです。R 言語に関する内容に特化した検索結果を表示します。
Rプログラム (TAKENAKA
R でプログラミング：データの一括処理とグラフ描き started on 2005-06-06 updated on 2008-03-13 この文書は，フリーの統計解析・作図システム R を使って， データの一括処理と図化のプログラムを書けるようになるためのチュートリアルです． R の経験がまったくなくても読めるように書いています． ただし統計解析手法についての解説はほとんどしていません． 他のページや書籍を見てください． 目次 0. はじめに：この文書のねらい 1. 準備一般 2. ひとつのファイルからデータを読み込む 3. ひとつのファイルのデータの処理 4. グラフを描いてファイルに保存する 5. グラフのいろいろな設定 6. グラフの重ね描き 7. 繰り返しと条件分岐：コンピュータらしい仕事 8. 繰り返しと条件分岐で柔軟なグラフ描画 9. 補足：変数の寿命と有効範囲 10. デー
俺的MCMCまとめ - yasuhisa's blog
12月くらいからMCMCの勉強しだして、いくつか代表的なアルゴリズムによるサンプリングをやったのでまとめておく。 Example of Rejection Sampling - yasuhisa's blog Example of importance sampling - yasuhisa's blog Example of Metropolis Hastings Algorithm - yasuhisa's blog Metropolis Hastings Algorithmの続き - yasuhisa's blog Gibbs Sampler Algorithmによって多変量正規分布からのサンプル抽出を行なう - yasuhisa's blog あとはモデルによって色々変わるけど、根幹となるアルゴリズムはできたからまあよいか。 これで一応自分で作れるという感じにはなったので、MCMC
Gibbs Sampler Algorithmによって多変量正規分布からのサンプル抽出を行なう - yasuhisa's blog
もちろんRで。 2変数正規分布 2変数の正規分布からのサンプリングはここのをそのまままねすると B <- 2000 x1 <- rep(NA,B+1) x2 <- rep(NA,B+1) x1[1] <- -2 x2[1] <- 1 for (i in 1:B){ x1[i+1] <- rnorm(1,1+0.7*(x2[i]-2),sqrt(1-0.7^2)) x2[i+1] <- rnorm(1,2+0.7*(x1[i+1]-1),sqrt(1-0.7^2)) } 相関係数もこんな感じになって、 > cor(x1,x2) [1] 0.712666 散布図もこんな感じ。うまくいってますね。 面倒なのでbuild-inとか考えてない(ry。 3変数正規分布 Gibbs Sampler Algorithmを使っているので、full conditioningした分布が分かってないといけないです
MCMCの勉強(1): Taglibro de H
今さら感はあるが、MCMC (Markov Chain Monte Carlo; マルコフ連鎖モンテカルロ)を使えるようになろうと、まずは簡単な例から試してみた。 手始めに、正規乱数から生成した標本の平均と標準偏差を推定してみる。 やはりRを使用。MCMCpackパッケージを あらかじめインストールしておいて、呼び出す。MCMCpack中のMCMCmetrop1R()関数を利用して、メトロポリス法によるMCMC推定をおこなう。 library(MCMCpack) 乱数系列を初期化。 set.seed(1) 平均10、標準偏差3の乱数を1000個生成して、xに入れる。 m <- 10 s <- 3 x <- rnorm(1000, m, s) MCMC推定に使用する関数を用意する。betaは要素数2のベクトル。beta[1]が平均、beta[2]が標準偏差で、betaを推定する。関数の返り値
formulaとは？（1） - はやしのブログ Rev.3
某所でRのformulaオブジェクトの扱い方について話題になっていて，自分自身あまり詳しくはなかったので，まとめておく。 formulaはRに特有のクラスで，使いこなせば分析を非常に効率化できるが，つっこんだ情報はあまり見かけない。formulaは基本的には回帰系の関数の引数に用いられる，モデルを表現するオブジェクトである。 fm1 <- y ~ x1 + x2 + x3 class(fm1) #=> [1] "formula" update(fm1, . ~ . + x4) # updateで書き換えられる #=> y ~ x1 + x2 + x3 + x4 update(fm1, . ~ . -x1) #=> y ~ x2 + x3 + x4 update(fm1, y2 ~ (.)^2) #=> y2 ~ x1 + x2 + x3 + x1:x2 + x1:x3 + x2:x3 #
Tsukuba.R#7お疲れ様でした＆天使ちゃんマジ天使 - 糞ネット弁慶
Tsukuba.R#7 - Tsukuba.R - Seesaa Wiki（ウィキ） お疲れ様でした。僕のスライドはこれ。 http://www.slideshare.net/ybenjo/tsukubar7-4027417 なんかEmbedが効かない… 今回は技術評論社様が高画質なUst配信を行ってくださったのでその動画もあります。 以下感想 10分で120枚はさすがに多すぎた なんで僕の時のviewerが最大の120人とかになるんですかね これを見て一人でも「Rやってみよう」と思ってくれたら幸いです randomForestにはバグがあるっぽい話、忘れてたしまだ検証してなかった twitterで僕を知ってた人は「声優の事ばかり書いてる頭のおかしい人が発表けどきっとまともなんだろう」みたいな期待をしたと思いますがそんなわけがない。 Tsukuba.R#7が開催されました&雑惑 - yas
Tsukuba.R7
Loading… Flash Player 9 (or above) is needed to view presentations. We have detected that you do not have it on your computer. To install it, go here. Tsukuba.R7 - Presentation Transcript Tsukuba.R#7 @y_benjo • @y_benjo • • http://d.hatena.ne.jp/repose/ • M2 Working from home / ishane - http://www.flickr.com/photos/ishane/2478049891/ • • • • • • SPAM • • • • • #task view install.packages("ctv") lib
オンラインEMアルゴリズムで混合ガウス分布推論 - 木曜不足
ずいぶん前にできていたのだが、変分ベイズのフォローのために、ブログに書くのを後回しにしてたオンラインＥＭについて。 確率的勾配法など、通常はオンラインの方がバッチより収束が遅い。 が、ＥＭアルゴリズムについては、オンラインの方が収束が速いらしい。PRML にも「この逐次型のアルゴリズムはバッチ型に比べて速く収束する」と書かれており、また論文にもそういうデータが載っている。 EM アルゴリズムを実装してみると、確かに収束が遅い。 収束し始めてから遅いのなら許せるけど、２サイクル目くらいからすでに遅い。せめて最初くらいもうちょっと速くなんないの！ と文句言いたくなる。 EM アルゴリズムの１サイクルは結構重いので、さらにその気分を助長する。 というわけで、オンラインＥＭアルゴリズムについてとても興味が湧いたので、実装してみた。 参考にしたのは Neal and Hinton の increme
Excel上でRを動かすRExcel - もうカツ丼でいいよな
最近Office Professionalを買ったので，近頃はもっぱらOfficeで遊んでいる．Officeはちょっとバグとか多くて難しいから，よく勉強をして早く初心者を脱出したい． で，ここ2〜3日はExcelからRを呼ぶ方法をいろいろ調べていた．やっぱVBAちょっとくらい勉強しないと駄目かなとか思い始めた頃，RExcelというExcelのアドインを見つけた(statconn)．これを使うと結構実用的なレベルでExcelとRを連携させられそう*1． RExcelのインストール まず，rscproxyとrcomの2つのパッケージをRから入れておく．下の二行はRExcelのインストール時にやれっていわれたからやった*2． install.packages("rscproxy") install.packages("rcom") library(rcom) comRegisterRegistr
10-702 Statistical Machine Learning, Spring 2007
Instructor: Larry Wasserman Time: MW 1:30-2:50 Place: Wean Hall 4623 TA: Jingrui He Office hours: Thursdays 10-12 Place: Wean Hall 8102 TA: Robin Sabhnani Office hours: Thursdays 6:30-8:30pm Place: Newell Simon Hall 3122 Course secretary: Sharon Cavlovich Office: Wean Hall 5315 Introduction to Statistical Learning Theory (Bousquet, Boucheron and Lugosi) Here Midterm: Monday during class time in th
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
Social Network Analysis in R « Fred Stutzman
CS109L
start [R苦手の会]
Machine Learning in R