はてなブックマーク

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 投資における最適ポートフォリオ選択手法であるブラック・リッターマンモデル(Black-Litterman Model)。伝統的な平均分散アプローチによる最適化と比べ直感的に理解しやすい結果が得られるため、その使い勝手の良さから金融実務でも広く用いられています。 本記事ではブラック・リッターマンモデルは何をしているのかについて、図も用いてざっくりと解説したいと思います。数式の導出など細かい部分については参考文献を確認ください。 ブラック・リッターマンモデル概観～伝統的な最適化手法との比較 伝統的な最適化手法とその問題点 マーコヴ

CourseraのMachine Learningクラス（Andrew Ng先生）のMatlab/Octaveプログラミング課題をPythonで実装するシリーズ。コンセプトは変わらず以下のとおりです： 課題のコードをそのまま再現するのではなく、scikit-learnなどのPythonライブラリを使ってできるだけ効率的に実装する 今週(Week6)は"Advice For Applying Machine Learning"という題で、新しい学習モデルを学ぶのではなく、モデルパラメータのチューニングの方法、モデルの性能の検証方法を学びます。このテーマに1週割り当てるあたりに、このコースの**「理論偏重ではなく実践的」**という特長が現れているのではないかと思います。 モデルのチューニング方法についての、ざくっとした内容は以下のとおり。 データがある場合、訓練データ、交差検定(Cross-v

方針 オンライン学習プラットフォームCourseraで一番人気の講座、Stanford大学のMachine Learning。講師はAndrew Ng先生。授業はレクチャーとプログラミング課題からなるが、プログラミング課題に使用する言語はOctaveまたはMatlabが指定されている。 このプログラミング課題をPythonを使って粛々と実装していく。ただし、 オリジナルの課題はアルゴリズムの理解を助けることを目的としているため、一部の処理は機械学習のライブラリを使用せずに自らコードを書くように設計されている。これをそのままPythonで再現するのではなく、できる限りPythonにある機械学習ライブラリを使って効率よく実装したい。 という方針。 さっそくex1 最初の課題となるex1では線形回帰(Linear Regression)をやります。レストランチェーン経営において、過去に出店した街

はじめに CourseraのMachine Learningクラス(Andrew Ng先生)の課題をPythonで実装するシリーズ。 ex6ではサポートベクターマシン(SVM)を使った分類をやります。 線形SVM まずは線形（カーネルなし）SVMです。scikit-learnでは、機械学習のモデルのインタフェースが統一されており、どんなモデルでもインスタンスを作ってから model.fit(X,y) で学習できます。線形回帰であろうがロジスティック回帰であろうがSVMであろうが同じ文法になります。SVMはsklearn.svm.SVC()クラスを使います。 コードはこちら。 いつもと同じように、scipy.scio.loadmatを使ってMatlab形式のデータを読み込み、学習を実施します。 import numpy as np import matplotlib.pyplot as pl