ABテストのための有意性検定 - Qiita
こんにちは、awakiaです。今回のアドベントカレンダー、結構、機械学習ガチなメンツが揃ったみたいなので、俺も対抗してやる！！とも思ったのですが、研究を離れて2年が経とうとしているので、真っ向勝負とか今更無理なことに気づきました...ｗ なので、開発者の皆も知っておくと便利なデータサイエンスの話をすることにします。 ABテストと検定の必要性 Webサービスを運営していると、見た目の問題だけでも結構悩みます。ボタンの色や文言などの小さなところから、トップページに盛り込む内容をどうするかまで、いろいろです。 今回、「ABテスト」と呼ぶものは、画面に占める大きさ等にかかわらず、パターンAとパターンBを作って、そのどちらがいいかを判断するための実験と定義することにします。 なお、ABテストの呼び名には結構流派があるので別の名前で聞いたことがあるかもしれません。例えば、Googleのマット・カッツ先
t検定
この教材では，対応がないときのｔ検定について，上記の学説の優劣を判断していません．読者に判断してもらうための材料を提供しているレベルですのでよろしく．（２群の要素数が僅差であるような場合を除けば，多くの場合にWelch検定の方が自由度がかなり小さくなるので，レポートを見れば，どちらのｔ検定を用いたのかは分かると言われています．） 【平均の差の検定：要約】 ◎ 前提：以下において母集団は正規分布に従うとする． 幾つかのグループの「平均の差」が偶然的な誤差の範囲にあるものかどうかを判断したいとき，データの個数が少ないときは偶然的な誤差の範囲も大きくなるが，データの個数が多くなると平均の差が大きな値となることはめったにない． 同一の母集団からの標本と見なしたときに２つのグループの平均の差が両側5%の確率の範囲に入るようなことはめったになく，このような場合は平均に有意差があるとして異なる母集団から
Tokyo.Rに行ってきた - いまんとこの最適解
Tokyo.R勉強会に行ってきました。 内容盛り沢山で、刺激的ですね。 個人的には時系列分析を行うxtsパッケージとgoogleVisとの連携が実践的に使えそうに思いました。 xts(zoo）のローリング機能はリサーチ（POS等の小売データなど）では有用ですし、googlevisとの連携は顧客によってはレポートとして魅力的ですね。 =＝＝＝＝＝＝＝＝＝＝＝＝＝＝（以下メモ）=＝＝＝＝＝＝＝＝＝＝＝＝＝＝ ○生存時間分析 -2種類の打ち切り（censered data) -ハザード関数 -ノンパラ、セミノンパラ、パラメト（共変量、分布の過程） -ノンパラ：確率分布を仮定しない（共変量、分布仮定しない） -経験分布（カプランマイヤー）、ハザード関数 -survival -surv,survfit -信頼区間推定→群間差分の検討？なのか？ -セミノンパラ：コックス比例ハザード -複数共変量の検討
overlasting.net
overlasting.net 2019 Copyright. All Rights Reserved. The Sponsored Listings displayed above are served automatically by a third party. Neither the service provider nor the domain owner maintain any relationship with the advertisers. In case of trademark issues please contact the domain owner directly (contact information can be found in whois). Privacy Policy
異常行動検出入門 – 行動データ時系列のデータマイニング –
The document discusses hyperparameter optimization in machine learning models. It introduces various hyperparameters that can affect model performance, and notes that as models become more complex, the number of hyperparameters increases, making manual tuning difficult. It formulates hyperparameter optimization as a black-box optimization problem to minimize validation loss and discusses challenge
Tokyo r15 異常検知入門
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか？〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。
統計学入門−第2章
全体：Mann-WhitneyのU検定 zo = 2.052 * (p = 0.0402) 改善率(軽度改善以上を改善とした時)：χ2検定(2x2) χo2 = 4.010 * (p = 0.0452) この表を度数分布図にすると次のようになります。 第1節で説明したように、レベルの高い尺度のデータをレベルの低い尺度のデータに変換することを尺度合わせといいます。 表2.6.1の改善率は順序分類尺度である改善度を改善と非改善に2分類して名義尺度に変換したもので、尺度合わせの典型的な例です。 軽度改善以上を改善にしたということは著明改善も中等度改善も軽度改善も医学的な意義は全て同じであり、ひっくるめて改善と考えられ、同様に不変も悪化も医学的な意義は全て同じであり、ひっくるめて非改善と考えられるという判断をしたことに他なりません。 (→2.1 データの種類と統計手法) 確かにそのように考えた方が
私のための統計処理ー基本解説
実験はギャンブルのようなもので、 どんな結果が出るかはわからないが、 実験計画を立てる。 「2群に差がない!」という帰無仮説を立てる。 群間のサンプルの選択は公平にしなければならないが、 勝率が高くなるような実験計画をデザインも必要である。 生物実験では、物理科学実験とは異なり、 得られるデータは必然的にばらつきを伴う。 測定者による誤差 ---実験技術の向上に伴い、 データの信頼度は上がる！ 測定装置、あるいは測定方法による誤差 測定されるものの性質による個体差
Google Sites: Sign-in
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
こんにちは統計学：Pythonによるχ２乗検定・ｔ検定・Ｕ検定・分散分析・多重比較・相関係数の計算 - すがやみつる
マンガを描くとき、シナリオを先に書く人もいるかと思います（私は、そうしています）。 また、原作付きマンガを描いている人で、シナリオをテキストファイルやワープロソフトのファイルで受け取る人もいるでしょう。 いまマンガを描く人は、ほとんどがClipStudioを使っているはずです。そのようなマンガ家なら、シナリオからネーム部分（セリフとナレーション）だけ抜き出せたら便利だと思いませんか？ そこで自作シナリオのネーム部分だけを抜き出し、句読点や「！・!!・？・!?・空白」が来ると、そこで改行するプログラムを作ってみました。 元のシナリオを「input.txt」という名前で保存し、同じフォルダにこのプログラムを置いてください。Pythonのインストールがすんでいれば、あとはこのプログラムのアイコンをダブルクリックするだけで、改行されたネームだけになったファイルが「output.txt」という名前で
Rで実践する統計的検定の初歩
オープンソースの統計処理言語・環境の「R」を使って実践的な統計解析を身に付けよう。連載2回目の今回は、統計的検定とは何かというざっくりした説明を軸に、やはりRで実際に計算をしてみます。 前回のおさらい 今回も統計処理言語の「R」を使って、いくつか具体的なデータから計算をしてみたいと思います。そもそも統計的検定とは何か、どういうことをやっているのかという概説と、統計的検定に対する批判についてもご紹介したいと思います。 まずは前回のおさらいです。 前回の終わりのほうで帰無仮説（きむかせつ）である「Jリーガーの月別出生数分布は日本人の月別出生数分布と同じである」かどうかを統計学的に検査するために、カイ二乗検定を導入しました。 まずは前回の結果を再現することから始めましょう。必要なデータを読み込んで、変数を設定します。もしもすでに以下のコードを走らせている場合は、同じことを2度する必要はありません
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
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
統計学第4回t検定
Private Presentation
異常検出
尤度ヒストグラムに基づく異常検出 | CiNii Research
リアルタイム解析 -スパイク・発作検出-
リアルタイムバースト検出手法の提案 | 日本データベース学会論文誌
時系列分析による異常検知入門
Amazon.co.jp: データマイニングによる異常検知: 山西健司: 本
