Enviar pesquisa
Carregar
事前分布との出会い
•
0 gostou
•
281 visualizações
Shigeru Kishikawa
Seguir
Negócios
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 2
Baixar agora
Baixar para ler offline
Recomendados
第5章 マルコフ連鎖モンテカルロ法 1
第5章 マルコフ連鎖モンテカルロ法 1
Satoshi Kawamoto
Sigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax Bottleneck
RI
Chap12 4 appendix_suhara
Chap12 4 appendix_suhara
sleepy_yoshi
f(x)=0と極値の問題
f(x)=0と極値の問題
nabeshimamasataka
f(x)=0と極値の問題
f(x)=0と極値の問題
政孝 鍋島
Rで学ぶデータサイエンス第13章(ミニマックス確率マシン)
Rで学ぶデータサイエンス第13章(ミニマックス確率マシン)
Daisuke Yoneoka
PRML輪講用資料10章(パターン認識と機械学習,近似推論法)
PRML輪講用資料10章(パターン認識と機械学習,近似推論法)
Toshiyuki Shimono
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Akihiro Nitta
Recomendados
第5章 マルコフ連鎖モンテカルロ法 1
第5章 マルコフ連鎖モンテカルロ法 1
Satoshi Kawamoto
Sigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax Bottleneck
RI
Chap12 4 appendix_suhara
Chap12 4 appendix_suhara
sleepy_yoshi
f(x)=0と極値の問題
f(x)=0と極値の問題
nabeshimamasataka
f(x)=0と極値の問題
f(x)=0と極値の問題
政孝 鍋島
Rで学ぶデータサイエンス第13章(ミニマックス確率マシン)
Rで学ぶデータサイエンス第13章(ミニマックス確率マシン)
Daisuke Yoneoka
PRML輪講用資料10章(パターン認識と機械学習,近似推論法)
PRML輪講用資料10章(パターン認識と機械学習,近似推論法)
Toshiyuki Shimono
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Akihiro Nitta
生物統計特論6資料 2006 abc法(bootstrap) isseing333
生物統計特論6資料 2006 abc法(bootstrap) isseing333
Issei Kurahashi
基礎からわかる確率過程
基礎からわかる確率過程
latte0
表現行列問題
表現行列問題
政孝 鍋島
表現行列の問題
表現行列の問題
nabeshimamasataka
TaPL_chap11
TaPL_chap11
a-hisame
関数型都市忘年会『はじめての函数型プログラミング』
関数型都市忘年会『はじめての函数型プログラミング』
Kenta USAMI
Chapter13.2.3
Chapter13.2.3
Takuya Minagawa
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
Wataru Shito
研究室内PRML勉強会 11章2-4節
研究室内PRML勉強会 11章2-4節
Koji Matsuda
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
wq-1. ポアソン分布、指数分布、アーラン分布
wq-1. ポアソン分布、指数分布、アーラン分布
kunihikokaneko1
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
hoxo_m
パターン認識 05 ロジスティック回帰
パターン認識 05 ロジスティック回帰
sleipnir002
Shunsuke Horii
Shunsuke Horii
Suurist
2012年10月度第33回Jmrx勉強会資料
2012年10月度第33回Jmrx勉強会資料
Shigeru Kishikawa
開始原稿
開始原稿
Shigeru Kishikawa
Jmrx presentation on mro cs to cps ver2c日本語
Jmrx presentation on mro cs to cps ver2c日本語
Shigeru Kishikawa
無題の添付ファイル 00094
無題の添付ファイル 00094
Shigeru Kishikawa
無題の添付ファイル 00060
無題の添付ファイル 00060
Shigeru Kishikawa
jmrx勉強会:抜粋(デコム)120726
jmrx勉強会:抜粋(デコム)120726
Shigeru Kishikawa
Mais conteúdo relacionado
Mais procurados
生物統計特論6資料 2006 abc法(bootstrap) isseing333
生物統計特論6資料 2006 abc法(bootstrap) isseing333
Issei Kurahashi
基礎からわかる確率過程
基礎からわかる確率過程
latte0
表現行列問題
表現行列問題
政孝 鍋島
表現行列の問題
表現行列の問題
nabeshimamasataka
TaPL_chap11
TaPL_chap11
a-hisame
関数型都市忘年会『はじめての函数型プログラミング』
関数型都市忘年会『はじめての函数型プログラミング』
Kenta USAMI
Chapter13.2.3
Chapter13.2.3
Takuya Minagawa
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
Wataru Shito
研究室内PRML勉強会 11章2-4節
研究室内PRML勉強会 11章2-4節
Koji Matsuda
Mais procurados
(10)
生物統計特論6資料 2006 abc法(bootstrap) isseing333
生物統計特論6資料 2006 abc法(bootstrap) isseing333
基礎からわかる確率過程
基礎からわかる確率過程
表現行列問題
表現行列問題
表現行列の問題
表現行列の問題
TaPL_chap11
TaPL_chap11
関数型都市忘年会『はじめての函数型プログラミング』
関数型都市忘年会『はじめての函数型プログラミング』
Chapter13.2.3
Chapter13.2.3
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
演習II.第1章 ベイズ推論の考え方 Part 3.スライド
研究室内PRML勉強会 11章2-4節
研究室内PRML勉強会 11章2-4節
Semelhante a 事前分布との出会い
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
wq-1. ポアソン分布、指数分布、アーラン分布
wq-1. ポアソン分布、指数分布、アーラン分布
kunihikokaneko1
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
hoxo_m
パターン認識 05 ロジスティック回帰
パターン認識 05 ロジスティック回帰
sleipnir002
Shunsuke Horii
Shunsuke Horii
Suurist
Semelhante a 事前分布との出会い
(6)
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
wq-1. ポアソン分布、指数分布、アーラン分布
wq-1. ポアソン分布、指数分布、アーラン分布
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
パターン認識 05 ロジスティック回帰
パターン認識 05 ロジスティック回帰
Shunsuke Horii
Shunsuke Horii
Mais de Shigeru Kishikawa
2012年10月度第33回Jmrx勉強会資料
2012年10月度第33回Jmrx勉強会資料
Shigeru Kishikawa
開始原稿
開始原稿
Shigeru Kishikawa
Jmrx presentation on mro cs to cps ver2c日本語
Jmrx presentation on mro cs to cps ver2c日本語
Shigeru Kishikawa
無題の添付ファイル 00094
無題の添付ファイル 00094
Shigeru Kishikawa
無題の添付ファイル 00060
無題の添付ファイル 00060
Shigeru Kishikawa
jmrx勉強会:抜粋(デコム)120726
jmrx勉強会:抜粋(デコム)120726
Shigeru Kishikawa
リサーチャーとマーケター原稿2012326
リサーチャーとマーケター原稿2012326
Shigeru Kishikawa
Esomar qualitative 2011(発表用 修正済み)
Esomar qualitative 2011(発表用 修正済み)
Shigeru Kishikawa
2012年2月度Jmrx勉強会資料
2012年2月度Jmrx勉強会資料
Shigeru Kishikawa
ビッグデータ
ビッグデータ
Shigeru Kishikawa
2011年11月度Jmrx勉強会資料
2011年11月度Jmrx勉強会資料
Shigeru Kishikawa
20111130 jrms発表資料(esomar発表報告)(配布版)
20111130 jrms発表資料(esomar発表報告)(配布版)
Shigeru Kishikawa
Jmrx発表資料
Jmrx発表資料
Shigeru Kishikawa
Jmrx2011年10月度
Jmrx2011年10月度
Shigeru Kishikawa
Jmrx資料20110924
Jmrx資料20110924
Shigeru Kishikawa
jmrx勉強会:抜粋(デコム)110831[1]
jmrx勉強会:抜粋(デコム)110831[1]
Shigeru Kishikawa
【公開】Jmrx勉強会資料 110723
【公開】Jmrx勉強会資料 110723
Shigeru Kishikawa
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
Shigeru Kishikawa
20110723 jmrx message_v2
20110723 jmrx message_v2
Shigeru Kishikawa
2011年7月度Jmrx勉強会資料
2011年7月度Jmrx勉強会資料
Shigeru Kishikawa
Mais de Shigeru Kishikawa
(20)
2012年10月度第33回Jmrx勉強会資料
2012年10月度第33回Jmrx勉強会資料
開始原稿
開始原稿
Jmrx presentation on mro cs to cps ver2c日本語
Jmrx presentation on mro cs to cps ver2c日本語
無題の添付ファイル 00094
無題の添付ファイル 00094
無題の添付ファイル 00060
無題の添付ファイル 00060
jmrx勉強会:抜粋(デコム)120726
jmrx勉強会:抜粋(デコム)120726
リサーチャーとマーケター原稿2012326
リサーチャーとマーケター原稿2012326
Esomar qualitative 2011(発表用 修正済み)
Esomar qualitative 2011(発表用 修正済み)
2012年2月度Jmrx勉強会資料
2012年2月度Jmrx勉強会資料
ビッグデータ
ビッグデータ
2011年11月度Jmrx勉強会資料
2011年11月度Jmrx勉強会資料
20111130 jrms発表資料(esomar発表報告)(配布版)
20111130 jrms発表資料(esomar発表報告)(配布版)
Jmrx発表資料
Jmrx発表資料
Jmrx2011年10月度
Jmrx2011年10月度
Jmrx資料20110924
Jmrx資料20110924
jmrx勉強会:抜粋(デコム)110831[1]
jmrx勉強会:抜粋(デコム)110831[1]
【公開】Jmrx勉強会資料 110723
【公開】Jmrx勉強会資料 110723
Jmrx講演資料0723(配布用)[1]
Jmrx講演資料0723(配布用)[1]
20110723 jmrx message_v2
20110723 jmrx message_v2
2011年7月度Jmrx勉強会資料
2011年7月度Jmrx勉強会資料
Último
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
ssuser80a51f
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
ユニパー株式会社
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
ssuserfb441f
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
KayaSuetake1
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
masakisaito12
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
masakisaito12
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ 株式会社
Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadership
Yasuyoshi Minehisa
Último
(8)
20240427 zaim academy counseling lesson .pdf
20240427 zaim academy counseling lesson .pdf
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
UP103シリーズ パワーコメット ユニパー スライドレールタイプ 瓦揚げ機 ウインチ
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
株式会社MAVEL会社概要_アフィリエイト広告_運用型広告_LTVを予測しLOIを最適化する広告代理店
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
202405_VISIONARYJAPAN_engineerteam_entrancebook(ver2.1)
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がご提供しているAnews(エーニュース)概要紹介.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
ストックマーク株式会社がお客様へご提供しているAnews概要資料のご共有.pdf
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
シンフォニティ株式会社(SYMPHONITY , Inc.) 会社説明・人材採用資料
Service-introduction-materials-misorae-leadership
Service-introduction-materials-misorae-leadership
事前分布との出会い
1.
JMRX at Intage
2010 年 12 月 15 日 「事前分布との出会い」 朝野熙彦(首都大) (1)ロジスティック回帰分析 確率pのロジット(logit)をリンク関数にした一般線形モデルを①に示す。 p log c xb ………………………………………① 1 p ①で xb はベクトルの内積 x, b を示す。xは実数値をとる k 次のベクトルで、 bはパラメータベクトル、cは定数である。①の左辺を対数オッズとかロジッ トと呼び、確率pをロジットに変換することをロジット変換と呼ぶ。この変換 によって 0 p 1 の定義域を正から負まで無限の値が取れるように広げること ができる。そのロジットが線形予測子である c xb によって定まるというのが ①の構造モデルの意味。①に従う分析をロジスティック回帰分析という。線形 予測子をまとめてVと書き両辺の指数をとって変形すると②が導かれる。 p exp V , p exp V p exp V , p 1 expV expV 1 p ………② exp V 1 1 p 1 exp V 1 exp V 1 exp c xb 成長曲線という解釈にこだわらず一般的な分析法として②の関数に着目した のが Berkson(1944)であった。説明変数を多変量に拡張したのが Truett と Cornfie1d(1967)、最尤解を示したのが Wa1ker と Duncan(1967)である。 (2)多変量正規分布の尤度比 デフォルト集団を g 1 、完済集団を g 0 とし、k 個の説明変数が平均ベクトル 1 , 0 、分散共分散行列∑が等しい多変量正規分布に従うと仮定する。第g集団 の正規分布の密度関数は g 1, 0 、円周率をπとして 1 exp x g 1 x g ……………③ 1 fg x 2 2 k 1 2 2 2つの集団はパラメータ 1 , 0 だけが異なる。データxが与えられたもとで③ は尤度でもあるので、完済 vs デフォルトの尤度比は④の通り。どちらを分子に 1
2.
してもよいが後の数式展開の都合でこのように書いた。指数の部分が煩雑にな るが根気よく展開すると④のようになる。
f0 x 1 exp 1 0 1 1 0 x 1 1 0 exp ab xb ……④ f1 x 2 ④右辺では a 1 1 0 、 b 1 1 0 と要約した。 x b はフィッシャーの線 2 形判別関数 discriminant function と呼ばれるもので、 b は判別係数である。 (3)ベイズの定理 デフォルトの事前確率を とすれば、データxの人がデフォルト群に属する確 率はベイズの定理から次のようになる。 f1 x p g1 x 1 f1 x f 0 x 1 1 f0 x 1 f1 x ……………………⑤ 1 1 1 exp log ab xb ⑤が有名なフラミンガム研究で提唱された多重ロジスティック関数である。 事前分布が無情報の場合は 0.5, log1 0 となるのでxに無関係な定数を ab c とおけば⑤は、 p g1 x 1 ………………………………………⑥ 1 exp c xb 結局、Truett らの多重ロジスティック関数はロジスティック回帰分析に事前分布を加えた ものであることが分かる。 (4)事前分布の組み込み ⑥における分母の c は2群の平均値に対応した判別スコアの重心を意味している。なぜな ら④で a 1 2 1 0 としたからである。つまり2群の規模の違いを無視してその平均の判 別スコアを定性的に表したものである。それに対して⑤の右辺分母の「負の対数オッズ」 1 log log は事前分布の効果を表している。 1 調査データの群構成比が市場全体と一致しない場合は多い。そのような場合は⑤を利用 して線形判別関数からまず手計算で定数 c を求め、それにさらに負の対数オッズを加えるこ とで、事前分布を加味した個人予測モデルができる。なお事前分布としては が分かればよ いので、過去の個票データは不要である。 2
Baixar agora