t-SNE
t-Distributed Stochastic Neighbor Embedding (t-SNE) is a technique for dimensionality reduction that is particularly well suited for the visualization of high-dimensional datasets. The technique can be implemented via Barnes-Hut approximations, allowing it to be applied on large real-world datasets. We applied it on data sets with up to 30 million examples. The technique and its variants are intro
出版学会（活字離れ）資料
日本出版学会春季研究発表会（2015年）発表資料（完成版）です。公開まで時間がかかったことをお詫びします。Read less
ポアソン回帰分析のメリット：シミュレーションによるOLSとの比較 | Theoretical Sociology
一般化線形モデル (GLM) について書いたり講義したりしなければならないので、GLMの例として、ポアソン回帰が本当に「役に立つ」のかシミュレーションで調べてみた。被説明変数を Y とし、Y はポアソン分布に従っているとする。Y は例えば、犯罪被害に遭った回数とか、裁判の原告になった回数のように、分布が著しく偏った頻度が典型的である。説明変数を X とし、Y の期待値を E(Y) とすると、ポアソン回帰は、ふつう ln E(Y) = a + b X (1) という回帰式を立て、Y がポアソン分布すると仮定して尤度関数をたててこれを最大化する。 しかし、上記の (1) 式だけみれば、通常の最小二乗法 (OLS) でも推定可能である。OLSの場合、Yは正規分布すると仮定するので（正確には正規分布すると仮定する必要はないが正規分布すると仮定すると得られたパラメータ推定値は最尤推定値になる
交差検証の k の値はどれくらいにすればいいのか - ほくそ笑む
分類器(識別器)のモデルを評価する手法に交差検証(クロスバリデーション)があります。 交差検証を行うには、データをいくつに分割するかを表す k の値を決めてあげなければなりません。 SVM のチューニングのしかた（１） において、交差検証の k の値を決めるとき、僕は個人的に k = 1 + log(n)/log(2) という式を用いていると書きました。 この式は、知っている人ならわかると思いますが、スタージェスの公式です。 スタージェスの公式は、ヒストグラムを描く際にサンプル数から階級数を決めるのに便利な公式です。 しかし、この公式を交差検証の k を決める際に使用するのは、はっきりいって根拠がありません。 そこで、今日は交差検証の k の値をどのくらいにすれば良いのかについて考えてみたいと思います。 準備（予備知識） k の値は大きければ大きいほど、正確にモデルを評価できます。 k の
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
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
階層ベイズによるワンToワンマーケティング入門
http://www.snap-tck.com/room04/c01/stat/stat99/stat0101.pdf