PythonでRの標準データセットを使う。 - ほんとうに一から始める機械学習
2014-03-02 PythonでRの標準データセットを使う。 データ分析の練習を行う際、サンプルデータを探すのが結構面倒くさかったりします。本ブログではPythonを使って解析を進めますが、PythonにはRのような標準データセットが用意されていません (たぶん)。 そこでPython上でRの標準データセットを使えるようにしてしまおう、というのが今からやることです。 こちらのブログを参考にしました。 まずは必要なライブラリをインストールします。ターミナル上で、 $ sudo pip install pandas $ sudo pip install rpy2 インストールが終わったらPythonを起動します。 import pandas.rpy.common as prc #ライブラリのインポート print type(prc.load_data("BOD")) #データセ
MacにRとR Studioをインストール - Qiita
MacにRとR Studioをインストールしたときのメモ まあ普通にすんなりとできました。 前提条件 Mac OS X El Captain(10.11.3) R：3.2.4 R Studio : 0.99.896 そもそもR/R Studioとは Rはオープンソースの統計言語かつ環境 R StudioはRのIDEというか、統合開発環境。RだけでももちろんRは動くけれども色々便利なので入れます。eclipseのイメージで、関数や変数の補完をしてくれたり、ウィンドウが整理されてて見やすいです。 Rをダウンロード＆インストール ・以下のリンクへ飛ぶ。最新版のリンクをクリックして、対象ファイルをダウンロード。 https://cran.r-project.org/bin/macosx/ ・ ・ダウンロードしたファイルを実行。基本的に全部「続ける」とか「はい」で進む。 R Studioのインストー
サービス終了のお知らせ - NAVER まとめ
サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。
R超入門 - Rのインストールから決定木とランダムフォレストによる分析まで - Qiita
概要 Rは対話的にデータ分析をおこなうことに適したプログラミング言語であり、それに加えてデータの可視化などのパッケージも含むデータ分析の「スイート」と言えます。 この記事ではまだRに触れたことがないユーザーが、Rの基本を解説しつつ、決定木およびランダムフォレストと呼ばれるアルゴリズムを用いた予測モデルを作成する手順までをチュートリアル形式でカバーしていきます。 このチュートリアルを終えると、構造化データの統計を瞬時に算出できるようになり、かつ、その分析モデルをつかって予測をおこなうことができるようになります。 環境 OSはMacOS X Yosemiteを利用しますが、Macの他のバージョン、およびWindowsでもほとんどの手順はそのまま適用できるはずです。 下記URLよりお使いのOSに合ったRをダウロードします。 https://cran.ism.ac.jp インストーラーを実行します
Jupyterがすごい勢いでやってくるからお前ら備えとけ（IPython Notebook + R） - Qiita
今までIPython Notebook上でRを動かそうとするとrpy2やらをごにょごにょやるとかいう方法がありましたが、いちいち%%を打ったりといろいろ不便でした。 が、先月末（2015/02/27）のIPython 3.0のリリースでIPython Notebookが大きく変わり、（まだ開発版ですが）Rとの連携もかなり楽になりました！というか今後はRだけでなく、Juliaや他の言語もカバーする方向に進むそうで、特定の言語に依存しない部分をJupyterという別プロジェクトでやっていくそうです。 代表的な言語のJupyterカーネルとしては以下のようなものが存在する模様。 Python (https://github.com/ipython/ipython) Julia (https://github.com/JuliaLang/IJulia.jl) R (https://github.c
時系列データにt 検定を行うことに関してstan 神の解析がやばい - 驚異のアニヲタ社会復帰の予備
時系列データにt 検定を行うことに関して、すごいもにょっていたのだが、そもそもstan 神が既にモデル化してくれていた。 リンクでは2階差分と、変化点検出のコーシー分布の合わせ技を用いている。 そのままパクってやってみる。 diの95%ベイズ信頼区間が0を含んでいない期間が差がある期間と言えるでしょう。さらに、どこから差がありそうなのか、どれほど差がありそうなのかも確率付きで述べることができます。 ということが、stan による柔軟なモデリングで述べることができます。 話は飛ぶけど、読んだ。 はじめての 統計データ分析 ―ベイズ的〈ポストp値時代〉の統計学― 作者: 豊田秀樹出版社/メーカー: 朝倉書店発売日: 2016/06/02メディア: 単行本（ソフトカバー）この商品を含むブログ (11件) を見る 書評はまた書くけれども、この時系列データと同じように、この本では、例えば分散分析や分
glmnetで正則化を試してみる - About connecting the dots.
タイトルの通り，よく考えたら今までL1/L2正則化を知識としては知ってるけど，実際に試したことはなかったことに気がついたので試してみましたよという話．L1/L2正則化にの理屈については，TJOさんのエントリとか，unnounnoさんのエントリとかをみてもらえれば良いのではと思います．それより詳しいことが知りたければ，PRMLでも読めば良いのではないでしょうか（適当*1）． まずはデータを眺める 使用したデータは，caretパッケージのcarsパッケージです*2．中古車販売のデータっぽくて，価格と，走行距離とか気筒とかドア数とかの車に関するカラムが並んでます．データを読み込んで，可視化して，とりあえず lm() してみます． > library(glmnet) > library(caret) > library(psych) > > # load data > data(cars) > t
📘 R言語徹底解説（原著: Advanced R）を読んだ - cucumber flesh
🍵前置き 有難いことに去年は著者や関係の方から何冊かの本（じゃんけん大会での獲得を含む）をいただいておきながら、ついったー上でしか報告（宣伝？）できていなかったので今年はブログにも書くことにする（みなさまからの献本、お待ちしております）。 今回はいよいよ今週発売を迎える全Rユーザー待望の「R言語徹底解説（原著: Advanced R）」を関係者のご好意により頂いた。一通り読み終えたので感謝の気持ちも込めて、書籍の概要を紹介するとともに一読者としての感想や気になった箇所などをまとめてみる。（執筆お疲れさまでした、そして完成ならびに出版おめでとうございます。一Rユーザーとして、本書のような素晴らしい本に出会えて私は幸せです） 🍵前置き 📖本書の概要 👦 私について 💯 総評 第１部: 基礎編: 「なんとなく」を「徹底」した理解に変える 第２部: 関数型プログラミング: 効率的な関数の
🍭ホクソエムのつながりをNeo4Jを使って確かめる - cucumber flesh
先日、Neo4Jというオープンソースで開発されるグラフデータベースの存在を知りました。恥ずかしながら、グラフデータベース？なにそれ美味しいの？という知識しかありませんでしたが、どうやらNoSQL（リレーショナルデータベースだけがデータベースではない）の流れを組んで誕生したものらしいです。グラフデータベースは、表形式で表現されるリレーショナルデータベースに対して、データ間の関係性を表現するのに向いています。 気になるものがあるとすぐにRパッケージを探し出してしまう性分なので調べてみると、すぐに {RNeo4j}というパッケージが見つかりました。というわけでこの{RNeo4j}パッケージを使ってNeo4Jの扱いについて慣れていこうというメモです。 今回は適当な例として来月に結成１周年を迎える匿名知的集団「ホクソエム」のメンバー間のTwitter上でのフォロー状況について整理してみることにします
R vs Python：データ解析を比較 | POSTD
主観的な観点からPythonとRの比較した記事は山ほどあります。それらに私たちの意見を追加する形でこの記事を書きますが、今回はこの2つの言語をより客観的な目線で見ていきたいと思います。PythonとRを比較をしていき、同じ結果を引き出すためにはそれぞれどんなコードが必要なのかを提示していきます。こうすることで、推測ではなく、それぞれの言語の強みと弱みの両者をしっかりと理解できます。 Dataquest では、PythonとRの両方の言語のレッスンを行っていますが、データサイエンスのツールキットの中では両者ともそれぞれに適所があります。 この記事では、NBA選手の2013/2014年シーズンの活躍を分析したデータセットを解析していきます。ファイルは ここ からダウンロードしてください。解析はまずPythonとRのコードを示してから、その後に2つの異なるアプローチを解説し議論していきます。つま
⭐階層構造になっているファイル（XML, JSON）をRで見やすく表示する - cucumber flesh
ウェブAPIやオープンデータとして公開されているリソースの提供形式としてXMLやJSONが利用されることが多い。RでXMLやJSONなどの構造式のファイルを読み込むことは簡単だが、だいたいのパッケージで読み込んだオブジェクトはリストになっている。リストクラスオブジェクトは、構造を把握するのが難しく操作がしにくい。リストデータに対して処理を行う{lambdaR}や{rlist}、{purrr}を使うためにはその構造を理解していることが前提である。 というわけで気楽にファイルの構造を把握したい。そこでboB Rudis作成の📦パッケージとRStudioを利用する。{xmlview}と{jsonview}はそれぞれXML、JSON形式のファイルを読み込んだ後にRStudio上で階層構造を見やすく表示するためのパッケージである。 🤖 使い方 ２つのパッケージの働きは類似している。対象のXML、
ネットワーク分析をもうちょっと勉強（実践編） - でたぁっ 感動と失敗の備忘録
前回は 竹本先生の資料 や WEBページ を拝見し R で行うネットワーク分析について新たに知ることができた関数、分析手法についてまとめてみた。さっそく Non-overlapping 手法を実務で実践したが早くも壁にぶちあたってしまった。実務で取り扱うデータを分析する際にはつきものだ。。。今回分析したネットワークはこんな感じ。ノード数=446、エッジ数=792、図ではエッジの矢印が見えないかもしれないが有向グラフ。（前回同様サイトスケープにくわせOrganicレイアウトで表示 ※背景色のみ白に変更） さっそくエラー多発 何も気にせずにNon-overlapping手法のコミュニティ抽出関数を実行したらエラーが多発。 > # おまじない > ls(all=T) character(0) > rm(list=ls(all=TRUE)) > > # パッケージの読み込み > library(i
Google Sites: Sign-in
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
Rでグラフクラスタリング - Qiita
Rでネットワーク解析をする(Introduction) ネットワーク解析のツール Pythonのライブラリにnetworkxというものがあります。 すごいですよ。 ネットワーク解析用で、ダイクストラアルゴリズムなどが実装されています。 グラフの描画では、きれいに描画できるものにGephiがあります。 今回は、Rのライブラリigraphを使って解析をしたいと思います。 初期設定 クラスタリングなどのネットワーク解析をRでするために、以下のライブラリを使用します。 クラスタリングは、分野によってはコミュニティ検出ともいわれているようです。 > sessionInfo() # Rのバージョン情報です ## R version 3.0.2 (2013-09-25) ## Platform: i386-w64-mingw32/i386 (32-bit) ## ## locale: ## [1] LC
線形回帰、カーネル線形回帰をRで実装する - Loud Minority
http://d.hatena.ne.jp/sesejun/20090401/p1 で紹介したカーネル多変量解析本の続き。 演習があるべきだ、と言ったが一般にカーネル法だと、与えられた点の数だけ次元を持つ正方行列を扱うので、演習を作っても手で解くのがつらい。だから、こんな風にソースコードを入れてみるのは、どうかと思ったので、このエントリを書いてみた。 線形回帰からカーネル線形回帰までをRで書いてみる(行列扱うのが楽なので）。式番号は、カーネル多変量解析の本に出てくる式番号である（まだ式番号をつけていないところが多いので、後日つけます付けました。2009/4/3）。 まずは単なるXYプロット。正規分布を鋭角にした感じの点20個。図1.3(P9)の点を真似た。 x1 <- c(-2,-1.69,-1.5,-1.3,-1.1,-0.9,-0.7,-0.48,-0.42,-0.05,0.09,0.
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
GitHub - elbamos/largeVis: An implementation of the largeVis algorithm for visualizing large, high-dimensional datasets, for R
GitHub - ujjwalkarn/DataScienceR: a curated list of R tutorials for Data Science, NLP and Machine Learning
aabbdd
Assign colors to communities in igraph
http://harold-spm.com/rgenngo-contents/