多変量解析 - Wikipedia
この項目「多変量解析」は加筆依頼に出されており、内容をより充実させるために次の点に関する加筆が求められています。 加筆の要点 - 統計学の分野の内容をベースとした導入部分の出典明記・加筆など。また、各学問での多変量解析の利用など。 （貼付後はWikipedia:加筆依頼のページに依頼内容を記述してください。記述が無いとタグは除去されます） （2020年7月） 多変量解析（たへんりょうかいせき、英語: multivariate analysis）は、多変量のデータの特徴を要約する方法のことである[1]。データの要約により、データの特徴を単純化し、分析しやすくする[2]。 当初は統計学の理論として生まれたが、コンピュータの発展とともに他の分野でも応用されるようになっていった[1]。 主な多変量解析[編集] この節は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の
3.kohonenネットワーク
３．Kohonenネットワーク (2001年度夏休み) 夏休み中の研究では、第1回マンガ分析で明らかとなった 相関ルールによるクラスタリングは、恣意性の介在する余地を大幅に残しており、実証性に乏しい という問題点の解決が命題となった。 結果的には、Kohonenネットワーク技術を応用することで、クラスタリングのプロセスを計量的に扱えるようになった。 <1>一般的なKohonenネットワークとは 「Kohonenネットワーク」は、ニューラルネットワークに分類されるデータマイニング技術の一つである。多変量解析になぞらえるならば、「主成分分析」に似た出力結果を得ることができるといわれている。 しかし、「主成分分析」では、複数の固有値によって第1主成分・第2主成分…といった具合に、いくつものパターンで強いものから順に並べて捉えることができるが、「Kohonenネットワーク」では、一組のX,Y座標に
主成分分析─エクセル統計による解析事例 | ブログ | 統計WEB
※ このコンテンツは「エクセル統計（BellCurve for Excel）」を用いた解析事例です。 分析データ 下図は、2008年8月に行われた北京五輪における陸上10種競技の結果から4種目だけ抜き出したものです。26選手について10種の競技（100m、走り幅跳び、砲丸投げ、走り高跳び、400m、110m障害、円盤投げ、棒高跳び、やり投げ、1500m）のデータが得られましたが、サンプルサイズに対して変数の数が多い場合は解析に注意が必要なため、100m、400m、110m障害、1500mの4種目のデータを抜き出しました。データは各選手の競技別の得点そのもので、10種目の合計得点の高い順に並べられています。 ダイアログの設定 まず、データ範囲のラベルを選択します。データラベルのラベル「選手」（C3）を選択後、［Ctrl］キーを押しながら4種目のラベル「100m」「400m」「110m障害」「
テラバイトのデータ | 構造化知識研究センター
テラバイトデータや構造化知識研究に関する過去の記事です。 1990年6月 コンピューターの中央処理装置4台を並列的につなぎ、人間のように推理したり連想したりするコンピューターの模擬実験に、九州大学の研究グループが成功した。1991年度にも20台に増結する計画で、最終的には1万台をつなぎ、人間の思考そっくりの柔軟性に富んだコンピューターシステムを目指す。キャリアウーマン並みの有能秘書や、建物の形状を判断できる掃除ロボットの開発にもつながると期待されており「人工知能」開発競争に一石を投じそうだ。 九州大学で実験に成功 模擬実験を行ったのは、九大総合理工学研究科の雨宮真人教授（情報システム専攻）のグループ。雨宮教授らは、記憶した知識で推論や連想を行う人間の思考回路網に着目。「食物－果物－黄色－酸っぱい－レモン」など属性や因果関係でつながる情報を与えて連想ネットワークを構成。このネットワーク網をコ
主成分分析 - Wikipedia
関連する手法[編集] 主成分分析は因子分析によく似ている。因子分析は、データの背後にある構造に関する分野固有の仮設と、主成分分析の場合とはわずかに異なった行列に対する固有ベクトルを求める手法である、と要約できる。 主成分分析は正準相関分析 (canonical correlation analysis; CCA) とも関わりがある。正準相関分析は二つのデータセット間の相互共分散に基いて座標系を定める手続きだが、主成分分析は単一のデータセットの分散に基いて座標系を選択する手法である[7][8]。 詳細[編集] 数学的には主成分分析はデータの基底に対し直交変換（回転）を行い、新たな座標系を得ることであり[9][要ページ番号]、新しい座標系はその第一成分（第一主成分と呼ばれる）から順に、データの各成分に対する分散が最大になるように選ばれる。 以下では、データ行列 X として、各列の標本平均が 0
1
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
処理を実行中です
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
