Pythonで因果推論(4)~回帰分析を用いた効果検証~
はじめに 線形回帰による因果推論について、Pythonによる実装を交えてまとめました。回帰分析の特性の導出や理論的な背景については記述しておりません。内容について誤り等ございましたら、コメントにてご指摘いただけますと幸いです。 回帰分析の概要 回帰分析とは、説明変数Xを1単位増減させたときに、被説明変数Yがどの程度変動するかを出力する分析手法です。 因果推論における回帰分析 因果推論の文脈では、何らかの処置を表す変数D(以下、処置変数)が、被説明変数Yにどれだけの効果を与えているかを検証する際に回帰分析を利用します。例えば Y = b_0 + b_DDというような回帰モデルを作成し、 帰無仮説を「b_D = 0」として検定を行い、処置変数Dが被説明変数Yに影響を与えていると言えるか パラメータb_Dを推定して、処置変数Dが被説明変数Yにどれくらいの影響を与えているか などを検討します。 処
リッジ回帰やラッソ回帰で因果推論できるのか？ - Qiita
はじめに 因果推論を行う手法の1つとして、線形回帰が挙げられます。今回は、その線形回帰の拡張とも言えるリッジ回帰(Ridge回帰)やラッソ回帰(Lasso回帰)を用いて因果効果を推定してみるとどうなるのか、Pythonによるシミュレーションと共にまとめました。内容に誤り等ございましたら、ぜひご指摘いただけますと幸いです。 結論 リッジ回帰やラッソ回帰を用いると、うまく因果効果を推定することができません。 これは、リッジ回帰やラッソ回帰を行うことで、線形回帰（線形回帰モデルをOLS推定）による推定値よりも汎化誤差が小さくなる一方で、不偏性と呼ばれる因果効果をバイアスなく推定するために必要な性質が失われてしまうからです。 通常の線形回帰における最小二乗法(OLS)では、下記の損失関数を最小化するパラメータを求めます。
GAN：敵対的生成ネットワークとは何か ～「教師なし学習」による画像生成 | アイマガジン｜i Magazine｜IS magazine
近年、いわゆるAI を構成する要素技術として機械学習の発展が著しい。とくにディープラーニングはその火付け役であり、画像分類、物体検出、セグメンテーションなどの画像領域をはじめ、自然言語処理、音声認識といった分野にまで広く応用されている。その表現力の高さから、今や従来の機械学習手法を凌ぐ結果を見せている。 ディープラーニングの技術は日進月歩で進化しており、新たな研究が発表されると、すぐに実装コードが公開されたり、応用研究が進められたり、ビジネスに適用されたりする。 なかでも最近注目されている技術の1つに、「敵対的生成ネットワーク」（Genera tive Adversarial Networks。以下、GAN）がある。GANは生成モデルの一種であり、データから特徴を学習することで、実在しないデータを生成したり、存在するデータの特徴に沿って変換できる。 GANは、正解データを与えることなく特徴
GPUクラスター - Wikipedia
GPUを使用した最初のスーパーコンピュータであるTitan GPUクラスター（英: GPU cluster）は、各ノードにグラフィックスプロセッシングユニット（GPU）を搭載したコンピュータ・クラスターである[1]。GPUクラスターでは、汎用グラフィックスプロセッシングユニット（GPGPU）による最新のGPUの計算能力を利用することで、非常に高速な計算を行うことができる。 ハードウェア[編集] GPU種類[編集] GPUクラスターは、採用するGPUによってヘテロジニアスとホモジニアスの2つに分類することができる。 ヘテロジニアス 主要な独立系ハードウェア企業（英語版）（例：AMDとnVidia）の両方のハードウェアが使用される。同じGPUの異なるモデル（たとえば8800GTと8800GTXの混在）を使用した場合もヘテロジニアスクラスターとみなされる。 ホモジニアス すべてのGPUが同じハー
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
