サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
今年の「かわいい」
tech.ledge.co.jp
こんにちは。レッジインターン生の大熊です。 今回は分類問題のタスクにおける予測結果の評価指標について、代表的なものをピックアップして書いていきます。 評価指標は各タスクに合わせて設定しなければならず、またその評価値の閾値も個別に設定することが多いです。 本記事を評価指標の選定の参考にしていただければ幸いです。 分類問題における正解・不正解のパターン 分類問題における実測値と予測値の関係性は以下のマトリクスで表現できます。 正(実測) 負(実測) 正(予測) TP FP 負(予測) FN TN TP:True Positive。実測値と予測値の両方が正であったもの。 FP:False Positive。実測値が負なのに、誤って正と予測値したもの(誤検知、偽陽性)。 TN:True Negative。実測値と予測値の両方が負であったもの。 FN:False Negative。実測値が正なのに、
こんにちは。レッジのインターン生の大熊です。前回のマルチエージェントの記事に続き、今回が2回目の投稿です。 本稿では傾向スコアを使用して因果効果を推定する方法の1つである、二重にロバスト(DR:Doubly Robust)な推定法をPythonで実装していきます。 DR推定には大きく分けて2つのステップがあります。1つが傾向スコアの算出です。もう1つは介入があった/なかったグループにおいてそれぞれ回帰分析を行うことです。本稿ではまずこの傾向スコアを概説します。そしてDR推定のもととなるIPW推定法を説明したのち、DR推定を実装します。 なお本稿は以下の3つの書籍を参照して記述しています。本稿で紹介していない理論的な枠組みを知りたい方にとって、特に3つ目の書籍は大変参考になります。 『効果検証入門 正しい比較のための因果推論/計量経済学の基礎』 『岩波データサイエンス Vol.3』 『調査観
こんにちは。初めまして。レッジのインターン生の大熊です。 レッジでは、ダッシュボードの作成や工場設備の異常検知など、データ利活用に関わる業務に取り組んでいます。 今回の記事では、最近少し話題になったマルチエージェントシミュレーションについて書いていきます。 コロナの影響から、感染症の拡大に関する様々な研究を目にする機会が増えました。その中でマルチエージェントシミュレーションという手法を利用して感染症拡大の様子を再現しているものが散見され、気になって調べてみました。 一般的な予測分析の場合、マクロデータをダイレクトに予測します。その一方でマルチエージェントベースの予測の場合、ミクロデータの相互作用からマクロデータを表します。現在は交通分野や防災分野での活用が進んでいますが、ビジネスサイドにおける活用も今後期待できそうな手法です。 本稿では、「マルチエージェントって言葉はなんとなく聞いたことが
このページを最初にブックマークしてみませんか?
『Ledge Tech Blog』の新着エントリーを見る
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