Simulating COVID-19 interventions with R
Tim Churches is a Senior Research Fellow at the UNSW Medicine South Western Sydney Clinical School at Liverpool Hospital, and a health data scientist at the Ingham Institute for Applied Medical Research. This post examines simulation of COVID-19 spread using R, and how such simulations can be used to understand the effects of various public health interventions design to limit or slow its spread.
tidymodelsによるtidyな機械学習（その1：データ分割と前処理から学習と性能評価まで） - Dropout
目次 目次 はじめに tidyな機械学習フロー 訓練データとテストデータの分割 特徴量エンジニアリング モデルの学習 モデルの精度評価 まとめ 参考文献 ※この記事をベースにした2019年12月7日に行われたJapan.R 2019での発表資料は以下になります。 tidymodelsによるtidyな機械学習 - Speaker Deck はじめに 本記事ではtidymodelsを用いたtidyな機械学習フローを紹介したいと思います。 tidyverseはデータハンドリングと可視化のためのメタパッケージでしたが、tidymodelsはtydyverseにフィットするやり方で統計モデリング/機械学習をするためのメタパッケージになります。 tidymodels配下のパッケージは量が多く使い所が限られているパッケージも多いため、一度に全ては紹介できません。 ですので、今回は典型的な 訓練データとテ
Posit AI Blog: You sure? A Bayesian approach to obtaining uncertainty estimates from neural networks
You sure? A Bayesian approach to obtaining uncertainty estimates from neural networks In deep learning, there is no obvious way of obtaining uncertainty estimates. In 2016, Gal and Ghahramani proposed a method that is both theoretically grounded and practical: use dropout at test time. In this post, we introduce a refined version of this method (Gal et al. 2017) that has the network itself learn h
みんなのRcpp
はじめに Rcpp は R の関数を C++ で実装することを可能にするパッケージです。 R と類似したスタイルで記述できるように実装されているため、C++ に深い知識がなくても利用しやすいようになっています。しかも、そのために実行速度は犠牲にされていないので、誰でもハイパフォーマンスな結果を得ることができます。 このドキュメントは、C++にもそれほど詳しくない方々に対しても Rcpp を利用するのに必要な情報を提供することを目的としています。そのため、場合によっては C++的に正確な記述することよりも、概念的なコード例を使って説明している場合があります。 C++の書き方そのものについての説明はほどんどありませんので、C++についてはその他の資料を参考にしてください。本書を読んで C++ を学んでみようという方には「基礎からしっかり学ぶC++の教科書 矢吹 太朗 著（日経BP社）」をオスス
【RとIATとBayesian hierarchical diffusion model】階層ベイズモデリングはIATの分析になぜ良いのか – nishiyuka.net
※本ページにはプロモーションが含まれています。 しばらく間が空いてしまいました。すみません。新しい研究を2つ同時に走らせようとして、調べ物と実験づくりをやっておりました。 さて、思い出していただきたいのですが、このセルフ連載の目的は「IATの結果をBayesian hierarchical diffusion modelを使って分析すること」です。データとモデルを照らし合わせて、IATでの結果（反応時間）がどのようにして生成されたのかを理解したいです。 そしてこれまでは、IATとは何なのか、diffusion modelとは何なのかを（ザックリとではありますが）紹介してきました。なので今回は、「Bayesian hierarchical」の部分についてお話ししようと思います。 今回の話を書く上で、StanとRでベイズ統計モデリング (Wonderful R) を参考にしました。通称アヒル本
グループドデータの非負値行列因子分解 - 廿TT
モチベーション たとえばこういう表がある。 gist.github.com 表の左のほうにユーザー層の情報、右の方にユーザー層ごとのブログへのアクセス経路が書かれている。 どのユーザー層がどの経路を好むか知りたいとする。 そこでトピックモデルとしてポアソン分布を使った非負値行列因子分解を考える。 （トピックモデルシリーズ 6 GaP （Gamma-Poisson Model） - StatModeling Memorandum などを参照。） ユーザー層が文書、アクセス経路が単語に対応する。 ユーザー層の情報を捨てて、行列を分解してしまうのはおもしろくない。 ユーザー層の情報を説明変数として、ユーザー層ごとにトピックの構成が変わるようなモデルにしたい。 モデル 観測値を行列の積 で近似することを目指します。 Y: 観測された分解したい行列(N行K列) X: 観測された説明変数(N行J列)
Rで様々な表を書く。<br />パラメータの多いStanの結果も美しい表に。 – MrUnadon – Bayesian Statistical Modelings with R and Rstan
まずはTwitterでこの記事をシェアする author: Unadon (見習い飯炊き兵) 動作環境:Mac OS Sierra 10.12.1; R version３.３.１; rstan 2.10.1 はじめに Rを使う時、私はわざわざ表など使わず、”head(data)”なんかでデータの確認を済ませてしまったりすることが多いです。 でも、他人と共有するとなると、見せ方を考えなければならない。それで、面倒だけどエクセルにコピペして…とやっていました。 また、Rのコンソールに収まりきれないデータを確認したいときなども、何らかの手立てを考える必要があるとおもいます。 今回は、そんなデータの確認に使える”表の出力”についてまとめていきます。 本稿のお品書き package{DT}: dataframeをHTMLの表に一発変換(データが大きい場合有用) package{knitr}: dat
ggplotのオブジェクトから眺めてみる
対象者と前提知識 Rには触れたことがある データの読み込みはできる 文字列型，factor型，数値型は(なんとなく)わかる データフレームとベクトルは(多少)操作・加工できる ggplot2でのplotに全く慣れていない でも使ってみたい でもすぐエラーにぶつかる ggplot2を雰囲気で使っている人 A layered grammar of graphics “Grammar of graphics”の思想をレイヤー化してR上で実装したパッケージです。詳しくはHadley WickhamのAcademic portfolioにある論文を参照してください。このパッケージの根底にある原初の思想が書かれいるので，時間があるときに読むのをおすすめします。 ポイント よく「ggplot2はきれいだ」とか言われますが，そこは本質的な部分ではないと(個人的には)思っています。大事なのは，「グラフィック
BERT | Basic Excel R Tookit
BERT is a tool for connecting Excel with the statistics language R. Specifically, it’s designed to support running R functions from Excel spreadsheet cells. In Excel terms, it’s for writing User-Defined Functions (UDFs) in R. All you have to do is write the function. Everything else – loading the function into Excel, managing parameters, and handling type conversion – is done automatically for you
山形の言語距離 - Qiita
山形には地方が４つ Twitterでこんな記事を見た。 多民族国家・山形の地域別言語比較です。ご査収ください。 pic.twitter.com/8eeXGNe479 — そ (@g_glider0714) 2016年9月26日 山形県には村山、置賜、最上、庄内の4つの地方があり、それぞれ山形市、米沢市、新庄市、酒田/鶴岡市が中心都市である。（酒田と鶴岡はほら、ツインシティだから・・・） 庄内は他の3つの地方とは山で隔てられていて1つだけ海沿いである。当然言語も庄内とそれ以外に分かれてるんだろうと思ったら、なんかそうでもないようだった。面白そうなので、どの地方が言語的に近いのか測ってみようじゃないか。 どうやって測るか それぞれの標準語について、4つの地方の単語の音声学的な近さを測ればよい。それには、単語を音素表記して、音素列同士の近さを測り、それをすべての項目について足し合わせればよいだろ
私と凪手らも - Technically, technophobic.
これはHOXO-M Advent Calendar 2017 - Qiita 6日目の記事です。 今日は、ホクソエムの影のキーマン、凪手らも（英語表記：Nagi Teramo）氏について書きます。 twitter.com まずは歴史を遡り、今日の凪手らも氏へと連なる系譜を紐解いていきましょう。 羅門光三郎 凪手らも氏について語るには、まずこの人物に触れなくてはならないでしょう。 凪手らも（Nagi Teramo）さんの名前「らも」が名優羅門光三郎にあやかったものであるというのはあまりにも有名な事実。— Hiroaki Yutani (@yutannihilation) 2017年8月2日 羅門光三郎は大阪の西成に生まれ、激動の20世紀前半を駆け抜けた剣戟スターです。その人気やすさまじく、 阪妻、千恵蔵、右太衛門、嵐寛の四大スターに次ぐ地位を占める活躍 (https://kotobank.j
RとStanでニューラルネットワークモデル
はじめに Rで確率的プログラミング言語STANが利用できる{rstan}パッケージ。 私は普段、ベイズ統計モデリングを行うために使っています。 今回は、rstanを使って多層ニューラルネット(フルコネクションの中間層2層)に挑戦する機会があったので、 備忘録としてまとめておこうと思います。 kerasやmxnetでやるよりも圧倒的に時間がかかります。圧倒的です。 一方で、係数やニューロンの値を事後分布として求めることが出来ます。テストデータのラベルも事後予測分布で求めます。 モチベーションは、この先に考えている「ネットワークのベイズ統計モデリング」にあります。 認知モデリングと組み合わせれば、神経活動のベイズ統計モデリングなんかができちゃうかもしれませんね。 現実的な時間内で求まる程度の小規模データならば、ですが。 参照元は Stanでニューラルネットの実装に関する議論です。コードがそのま
「機械学習のパラメータをベイズ最適化でチューニング」をRで超簡単に書けるパッケージを作った - ★データ解析備忘録★
0. 要約 機械学習のハイパーパラメータをベイズ最適化でチューニングするのは既存パッケージの組み合わせで頑張ればできたのですが、頑張らなくても簡単に書けるパッケージを作りました。 github.com これにより、例えば iris データをXGboostの3-foldクロスバリデーション、エラー率評価でフィッティングさせたければ以下のように書くことでハイパーパラメーターである eta, max_depth, nround, subsample, bytree をベイズ最適化でチューニングしてくれます。 res0 <- xgb_cv_opt(data = iris, label = Species, objectfun = "multi:softmax", evalmetric = "merror", classes = 3, n_folds = 3) データセット名、ラベルの列名、XGbo
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
RPubs - loo package動かしてみた: WAIC比較
Posit
Data Visualization for Statistics in Social Science
前処理大全［データ分析のためのSQL/R/Python実践テクニック］ | Gihyo Digital Publishing … 技術評論社の電子書籍
rEDM の使い方 - 京極大助/Daisuke Kyogoku
パイプ演算子自作入門
http://web.stanford.edu/~hastie/glmnet/glmnet_alpha.html