Enviar búsqueda
Cargar
Tokyo r12 - R言語による回帰分析入門
•
44 recomendaciones
•
31,063 vistas
Yohei Sato
Seguir
Denunciar
Compartir
Denunciar
Compartir
1 de 81
Descargar ahora
Descargar para leer sin conexión
Recomendados
負の二項分布について
負の二項分布について
Hiroshi Shimizu
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
MCMC法
MCMC法
MatsuiRyo
Rの高速化
Rの高速化
弘毅 露崎
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
Recomendados
負の二項分布について
負の二項分布について
Hiroshi Shimizu
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
MCMC法
MCMC法
MatsuiRyo
Rの高速化
Rの高速化
弘毅 露崎
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
線形?非線形?
線形?非線形?
nishio
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013
Shuyo Nakatani
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
Kazuhide Okamura
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
PRML輪読#1
PRML輪読#1
matsuolab
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
[第2版]Python機械学習プログラミング 第10章
[第2版]Python機械学習プログラミング 第10章
Haruki Eguchi
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Issei Kurahashi
Más contenido relacionado
La actualidad más candente
線形?非線形?
線形?非線形?
nishio
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013
Shuyo Nakatani
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
Kazuhide Okamura
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
Mitsunori Sato
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
PRML輪読#1
PRML輪読#1
matsuolab
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
La actualidad más candente
(20)
線形?非線形?
線形?非線形?
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
実践で学ぶネットワーク分析
実践で学ぶネットワーク分析
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Stanの便利な事後処理関数
Stanの便利な事後処理関数
Rで学ぶロバスト推定
Rで学ぶロバスト推定
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
統計的学習の基礎_3章
統計的学習の基礎_3章
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
PRML輪読#1
PRML輪読#1
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
Similar a Tokyo r12 - R言語による回帰分析入門
[第2版]Python機械学習プログラミング 第10章
[第2版]Python機械学習プログラミング 第10章
Haruki Eguchi
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Issei Kurahashi
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
第2回DARM勉強会
第2回DARM勉強会
Yoshitake Takebayashi
正則化つき線形モデル(「入門機械学習第6章」より)
正則化つき線形モデル(「入門機械学習第6章」より)
Eric Sartre
PRML4.3
PRML4.3
hiroki yamaoka
W8PRML5.1-5.3
W8PRML5.1-5.3
Masahito Ohue
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
HiroyukiTerada4
CMSI計算科学技術特論A (2015) 第11回 行列計算における高速アルゴリズム2
CMSI計算科学技術特論A (2015) 第11回 行列計算における高速アルゴリズム2
Computational Materials Science Initiative
Data assim r
Data assim r
Xiangze
Partial least squares回帰と画像認識への応用
Partial least squares回帰と画像認識への応用
Shohei Kumagai
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
. .
【学会発表】LDAにおけるベイズ汎化誤差の厳密な漸近形【IBIS2020】
【学会発表】LDAにおけるベイズ汎化誤差の厳密な漸近形【IBIS2020】
Naoki Hayashi
[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係について
Deep Learning JP
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
ishii yasunori
PSIM使い方のヒントとコツ
PSIM使い方のヒントとコツ
PSIMcafe
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
Deep Learning JP
CMSI計算科学技術特論B(8) オーダーN法1
CMSI計算科学技術特論B(8) オーダーN法1
Computational Materials Science Initiative
第1回R勉強会@東京
第1回R勉強会@東京
Yohei Sato
Similar a Tokyo r12 - R言語による回帰分析入門
(20)
[第2版]Python機械学習プログラミング 第10章
[第2版]Python機械学習プログラミング 第10章
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
第2回DARM勉強会
第2回DARM勉強会
正則化つき線形モデル(「入門機械学習第6章」より)
正則化つき線形モデル(「入門機械学習第6章」より)
PRML4.3
PRML4.3
W8PRML5.1-5.3
W8PRML5.1-5.3
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
CMSI計算科学技術特論A (2015) 第11回 行列計算における高速アルゴリズム2
CMSI計算科学技術特論A (2015) 第11回 行列計算における高速アルゴリズム2
Data assim r
Data assim r
Partial least squares回帰と画像認識への応用
Partial least squares回帰と画像認識への応用
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
【学会発表】LDAにおけるベイズ汎化誤差の厳密な漸近形【IBIS2020】
【学会発表】LDAにおけるベイズ汎化誤差の厳密な漸近形【IBIS2020】
[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係について
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
PSIM使い方のヒントとコツ
PSIM使い方のヒントとコツ
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
CMSI計算科学技術特論B(8) オーダーN法1
CMSI計算科学技術特論B(8) オーダーN法1
第1回R勉強会@東京
第1回R勉強会@東京
Más de Yohei Sato
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 opening
Tokyor60 opening
Yohei Sato
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Yohei Sato
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyor39 yokkuns
Tokyor39 yokkuns
Yohei Sato
EasyHtmlReportの紹介
EasyHtmlReportの紹介
Yohei Sato
20131206 japan r
20131206 japan r
Yohei Sato
Tokyor35 人工データの発生
Tokyor35 人工データの発生
Yohei Sato
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Yohei Sato
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Yohei Sato
Rでレポートメール
Rでレポートメール
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Yohei Sato
Tokyor26 data fusion
Tokyor26 data fusion
Yohei Sato
Tokyor24 yokkuns
Tokyor24 yokkuns
Yohei Sato
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
Yohei Sato
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Yohei Sato
Complex network ws_percolation
Complex network ws_percolation
Yohei Sato
Más de Yohei Sato
(20)
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Tokyor60 opening
Tokyor60 opening
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyor39 yokkuns
Tokyor39 yokkuns
EasyHtmlReportの紹介
EasyHtmlReportの紹介
20131206 japan r
20131206 japan r
Tokyor35 人工データの発生
Tokyor35 人工データの発生
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Rでレポートメール
Rでレポートメール
Rで階層ベイズモデル
Rで階層ベイズモデル
Rでピボットテーブル
Rでピボットテーブル
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Tokyor26 data fusion
Tokyor26 data fusion
Tokyor24 yokkuns
Tokyor24 yokkuns
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Complex network ws_percolation
Complex network ws_percolation
Tokyo r12 - R言語による回帰分析入門
1.
R言語による 回帰分析入門
@yokkuns 里 洋平 第12回R勉強会@東京(Tokyo.R#12) 2011/03/05 1
2.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 2
3.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 3
4.
自己紹介
● 名前 : 里 洋平 ● ID : yokkuns ● 職業 : Webエンジニア ● 興味のある事 – 統計解析、データマイニング、機械学習など 4
5.
slideshareに資料を公開しています
5
6.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 6
7.
回帰分析 ●
変数間の関係を分析する手法 – 説明変数を用いて目的変数を説明 7
8.
回帰分析 ●
変数間の関係を分析する手法 – 説明変数を用いて目的変数を説明 8
9.
回帰分析 ●
変数間の関係を分析する手法 – 説明変数を用いて目的変数を説明 目的変数 説明変数 9
10.
回帰分析 線形関係
非線形関係 10
11.
回帰分析 時系列解析 - ARモデル
図 : http://ameblo.jp/kazue-fujiwara/entry-10762340069.html 11
12.
回帰分析 金融工学 - ベータの推定
図 : http://www.sigmabase.co.jp/keyword/list/h/beta_chi.htm 12
13.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 13
14.
線形回帰分析 ■線形単回帰分析 ■線形重回帰分析
14
15.
線形単回帰分析 ●
説明変数が1つの線形回帰分析 15
16.
線形単回帰分析 lm(formula, data, weights,
subset, na.action) formula : モデルの形式 data : 回帰分析に用いるデータセット weights : 用いる説明変数に重みを指定 subset : データセットの中の一部を用いる場合に指定 na.action : 欠損値の扱いを指定 16
17.
線形単回帰分析
回帰分析の関連関数 関数 内容 使用例 coef 回帰係数 coef(cars.lm), cars.lm$coef fitted 用いたデータの予測値 fitted(cars.lm), cars.lm$fitted deviance 残差の平方和 deviance(cars.lm) anova 回帰係数の分散分析 anova(cars.lm) predict 新たなデータに対する予 predict(cars.lm) 測値 print 要約より簡単な結果 print(cars.lm) summary 回帰分析結果の要約 summary(cars.lm) plot 回帰診断プロット plot(cars.lm) 17
18.
線形単回帰分析
電子部品データ 標本番号 1 2 3 4 5 6 7 8 9 10 11 12 抵抗値x 0.91 0.83 0.8 0.83 0.86 0.85 0.84 0.81 0.79 0.89 0.85 0.83 仕上がり 7.2 4.1 2.9 3.8 5.7 5.1 4.4 3.6 3.1 6.4 4.7 4.2 のスコアy ● xは製造工程である部分を測定した抵抗値 ● yは最終的に出来た製品の仕上がりを表すスコア 18
19.
線形単回帰分析
19
20.
線形単回帰分析
20
21.
線形単回帰分析 最小2乗法
21
22.
線形単回帰分析 最小2乗法
22
23.
線形単回帰分析 最小2乗法
残差 23
24.
線形単回帰分析 最小2乗法 残差の2乗和を最小にする 直線を求める
残差 24
25.
線形単回帰分析
25
26.
線形単回帰分析
指定したモデルの確認の出力 26
27.
線形単回帰分析
残差分布の四分位数 27
28.
線形単回帰分析
切片の推定値と その検定結果 28
29.
線形単回帰分析
傾きの推定値と その検定結果 29
30.
線形単回帰分析
標準誤差 30
31.
線形単回帰分析
決定係数と 調整済み決定係数 31
32.
線形単回帰分析
分散分析後のF値 と結果 32
33.
線形単回帰分析
33
34.
線形単回帰分析 残差とフィット値のプロット
34
35.
線形単回帰分析 残差の正規Q-Qプロット
35
36.
線形単回帰分析 残差の平方根プロット
36
37.
線形単回帰分析 残差と影響力プロット(梃子値とクックの距離)
37
38.
線形単回帰分析 信頼区間と予測区間
38
39.
線形重回帰分析 説明変数が複数の線形回帰分析
39
40.
線形重回帰分析
airquality 1973年5月から9月までのニューヨークの大気状態を記録したデータ ● 40
41.
線形重回帰分析
41
42.
線形重回帰分析 Ozoneを目的変数として、Solar.R、Wind、Tempを説明変数とした重回帰分析
42
43.
線形重回帰分析 Ozoneを目的変数として、Solar.R、Wind、Tempを説明変数とした重回帰分析
AIC ● 統計モデルを評価するための指標 43
44.
線形重回帰分析
44
45.
線形重回帰分析 相互作用をを考慮したモデルを構築
45
46.
線形重回帰分析 相互作用をを考慮したモデルを構築
相互作用を考慮しないモデルより AICの値が小さくなった! 662.3732 < 681.7127 46
47.
線形重回帰分析 AICを用いてモデル•変数を選択する関数step
47
48.
線形重回帰分析 AICを用いてモデル•変数を選択する関数step
AICが一番小さくなる回帰式 48
49.
線形重回帰分析 step関数で求めたモデルの要約
49
50.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 50
51.
非線形回帰分析 目的変数と説明変数が非線形的な関係である回帰分析
51
52.
非線形回帰分析 ●
多項式回帰 ● 一般化線形モデル ● ロジスティック回帰 ● 平滑化回帰 ● 加法モデル 52
53.
多項式回帰 目的変数を多項式で表す
53
54.
多項式回帰
非線形回帰分析を行う関数 nls(formula, data, start, trace) formula : モデルの形式 data : 回帰分析に用いるデータセット start : パラメータの初期値 trace : 計算過程の結果を返す場合はTRUEを指定 54
55.
多項式回帰 人工デー タ
55
56.
多項式回帰
56
57.
多項式回帰
57
58.
多項式回帰
58
59.
一般化線形モデル ●
線形回帰分析 – 残差が正規分布に従うと仮定 – 従っていない場合使えない ● 一般化線形モデル – 正規分布を拡張した分布族に対応させる – 非線形の現象を線形と同じように簡単に – 不自然な尺度で解釈しないように工夫した解析方法 59
60.
一般化線形モデル
一般化線形モデルの関数 glm(formula, family, data) formula : モデルの形式 family : 当てはめる分布族のリンク関 数 data : データセット 60
61.
一般化線形モデル
関数glmで仕様可能な主な分布 族 分布族(family) リンク リンク関数 正規(gaussian) μ link=”identity” ニ項(binomial) log(μ/(1-μ)) link=”logit” ポアソン(poisson) log(μ) link=”log” ガンマ(Gamma) 1/μ link=”inverse” 逆正規(Inverse.gaussian) 1/μ^2 Link=”1/mu^2” 61
62.
一般化線形モデル
airquality ● 1973年5月から9月までのニューヨークの大気状態を記録したデータ 62
63.
一般化線形モデル
63
64.
一般化線形モデル
64
65.
ロジスティック回帰 ●
2値データを目的変数とした回帰モデル ● ロジスティック関数を用いて分析を行う 65
66.
ロジスティック回帰
SpaceShuttle スペースシャトル•チャレンジャーの打ち上げ時に生じるO-リングの故障状況 66
67.
ロジスティック回帰 glmを使ってロジスティック回帰
67
68.
ロジスティック回帰
68
69.
ロジスティック回帰
69
70.
平滑化回帰 複雑な傾向のデータを滑らかな曲線で当てはめる
70
71.
平滑化回帰
局所重み付き回帰法を行う関数 loess(formula, data, span, degree...) formula : モデルの形式 data : 用いるデータセット span : 平滑の度合いをコントロールするパラメータ degree : 当てはめる多項式の次数 71
72.
平滑化回帰
B-スプライン関数による 平滑化スプライン曲線を当てはめる smooth.spline(x, y, df, spar, ...) x : 予測変量 y : 反応変量 df : 等価自由度 spar : 平滑化パラメー タ 72
73.
73
74.
一般化加法モデル
74
75.
一般化加法モデル
一般化加法モデルを求める関数 gam(formula, family, data, ...) formula : モデルの書式。モデル式の右辺に平滑化関数を使 う family : 残差の分布族 data : データセット 使える平滑化関数 lo : 局所回帰関数 s : 平滑化スプライン関数 bs : B-スプライン関数 ns : 自然スプライン関数 75
76.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 76
77.
まとめ ●
Rで回帰分析を学びました ● Rでは、lm、glm、nlsなどの回帰分析をする ための関数が用意されており、簡単に分析が出 来る ● gamを使う事で、非常に複雑なデータも扱うこ とが出来る 77
78.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 78
79.
発表者募集しています!
79
80.
AGENDA ●
自己紹介 ● 回帰分析とは ● 線形回帰分析 ● 非線形回帰分析 ● まとめ ● 最後に 80
81.
ご清聴 ありがとうございました
81
Descargar ahora