MacのZshはシェル起動時にPATHをリセットする - speg03の雑記帳
zprofileに書いていたPATH設定だけが有効になっていなかったので調べたという話。zprofileに書いていたPATH以外の環境変数は有効になっていたのでzprofileが呼ばれていないわけではなかった。 path_helper Macにはpath_helperというやつがあって、PATH環境変数を/etc/pathsや/etc/paths.dに書かれているパスで設定しなおす。で、こいつがまたいたるところで呼ばれる。 zshで呼ばれる設定ファイル ログイン（ログインシェルとして起動）時にはzshenvとzprofile、対話シェルとして起動時にはzshenvが呼ばれる。PATHの設定は既存のPATHに追加していくので、ログイン時の一度だけ呼ばれて欲しい。そのためzprofileに書いていた。 件のzshenvは以下のようになっていた。 /etc/zshenv # system-wid
Brownleeの排気損失率データ
2．分類木 関数rpartでは、分岐の基準としてはGini係数 Gini Index= あるは情報量エントロピー Entrory= が用いられている。式の中のはノード内のクラスのデータである。 デフォルトではGini係数が設定されている。分岐基準エントロピーの指定は、引数split=”information”を用いる。 (1) 樹木の作成 関数rpartを用いた樹木の作成について例を用いて説明する。ここでもirisのデータを用いることにする。 >library(mvpart) #あるいはlibrary(rpart) > iris.rp<-rpart(Species~.,data=iris) 上記のコマンドの実行で、デフォルトに設定された条件の下でrpartの分類木が作成される。作成された樹木の結果は、次のように関数printで返すことができる。関数のprintに用いたdigitは返
Rと集団学習
集団学習(ensemble learning)は、決して精度が高くない複数の結果を統合・組み合わせることで精度を向上させる機械学習方法である。複数の結果の統合・組み合わせの方法としては、分類問題では多数決、数値の予測(回帰)問題では平均が多く用いられている。 集団学習では、異なる重み、あるいは異なるサンプルから単純なモデルを複数作成し、これらを何らかの方法で組み合わせることで、精度と汎化力を両立するモデルを構築する。 本稿では、集団学習方法による、回帰・分類のアルゴリズムバギング(bagging)、ブースティング(boosting)、ランダム森(random forest)の基本概念およびこれらのRのパッケージと関数を紹介する。 機械学習の問題では、学習によって回帰・分類を行うシステムを学習機械と呼ぶ。文献によっては学習機械を仮説(hypothesis)、分類器・識別器(classi
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
