Enviar pesquisa
Carregar
Tokyo r94 beginnerssession3
•
1 gostou
•
773 visualizações
K
kotora_0507
Seguir
TokyoR#94の初心者セッション3の資料です
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 33
Baixar agora
Baixar para ler offline
Recomendados
ゲームのモデリング
ゲームのモデリング
Keiko Mizuno
TokyoR98_BeginnersSession1.pdf
TokyoR98_BeginnersSession1.pdf
kotora_0507
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
確率論基礎
確率論基礎
hoxo_m
ブラックボックス最適化とその応用
ブラックボックス最適化とその応用
gree_tech
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
Recomendados
ゲームのモデリング
ゲームのモデリング
Keiko Mizuno
TokyoR98_BeginnersSession1.pdf
TokyoR98_BeginnersSession1.pdf
kotora_0507
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
Shintaro Fukushima
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
確率論基礎
確率論基礎
hoxo_m
ブラックボックス最適化とその応用
ブラックボックス最適化とその応用
gree_tech
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
ケンタ タナカ
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
Rの高速化
Rの高速化
弘毅 露崎
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
Deep Learning JP
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
Hajime Sasaki
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
【DL輪読会】Factory: Fast Contact for Robotic Assembly
【DL輪読会】Factory: Fast Contact for Robotic Assembly
Deep Learning JP
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
Takuya Akiba
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Takuya Akiba
TokyoR101_BeginnersSession2.pdf
TokyoR101_BeginnersSession2.pdf
kotora_0507
Tokyo r #37 Rubin's Rule
Tokyo r #37 Rubin's Rule
Hiroki Matsui
Mais conteúdo relacionado
Mais procurados
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
ケンタ タナカ
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
Rの高速化
Rの高速化
弘毅 露崎
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
Deep Learning JP
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
Hajime Sasaki
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
【DL輪読会】Factory: Fast Contact for Robotic Assembly
【DL輪読会】Factory: Fast Contact for Robotic Assembly
Deep Learning JP
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
Takuya Akiba
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Takuya Akiba
Mais procurados
(20)
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
最高の統計ソフトウェアはどれか? "What’s the Best Statistical Software? A Comparison of R, Py...
ベイズ統計入門
ベイズ統計入門
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
Rの高速化
Rの高速化
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
[DL輪読会]Meta Reinforcement Learning
[DL輪読会]Meta Reinforcement Learning
グラフィカルモデル入門
グラフィカルモデル入門
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
【DL輪読会】Factory: Fast Contact for Robotic Assembly
【DL輪読会】Factory: Fast Contact for Robotic Assembly
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Semelhante a Tokyo r94 beginnerssession3
TokyoR101_BeginnersSession2.pdf
TokyoR101_BeginnersSession2.pdf
kotora_0507
Tokyo r #37 Rubin's Rule
Tokyo r #37 Rubin's Rule
Hiroki Matsui
Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1
kotora_0507
重回帰分析で頑張る
重回帰分析で頑張る
Shota Yasui
TokyoR79 beginnerssession1
TokyoR79 beginnerssession1
kotora_0507
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践
id774
TokyoR101_BeginnersSession1.pdf
TokyoR101_BeginnersSession1.pdf
kotora_0507
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdf
kotora_0507
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
JubatusOfficial
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
Yuya Unno
Big data解析ビジネス
Big data解析ビジネス
Mie Mori
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
Jiro Iwanaga
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
DataRobotJP
C++0x concept
C++0x concept
Akira Takahashi
BotとWikiを使った試験的な並列プログラミング
BotとWikiを使った試験的な並列プログラミング
Takashi Yamanoue
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
Pythonと型チェッカー
Pythonと型チェッカー
Tetsuya Morimoto
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707
Recruit Technologies
Semelhante a Tokyo r94 beginnerssession3
(18)
TokyoR101_BeginnersSession2.pdf
TokyoR101_BeginnersSession2.pdf
Tokyo r #37 Rubin's Rule
Tokyo r #37 Rubin's Rule
Tokyo r80 beginnerssession1
Tokyo r80 beginnerssession1
重回帰分析で頑張る
重回帰分析で頑張る
TokyoR79 beginnerssession1
TokyoR79 beginnerssession1
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践
TokyoR101_BeginnersSession1.pdf
TokyoR101_BeginnersSession1.pdf
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdf
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
Big data解析ビジネス
Big data解析ビジネス
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
C++0x concept
C++0x concept
BotとWikiを使った試験的な並列プログラミング
BotとWikiを使った試験的な並列プログラミング
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Pythonと型チェッカー
Pythonと型チェッカー
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707
Mais de kotora_0507
Sendai r01 beginnerssession1
Sendai r01 beginnerssession1
kotora_0507
Beginners session2 in TokyoR69
Beginners session2 in TokyoR69
kotora_0507
Beginners session2 68
Beginners session2 68
kotora_0507
Tokyo rの運営方針 2017
Tokyo rの運営方針 2017
kotora_0507
TokyoR58 初心者セッション
TokyoR58 初心者セッション
kotora_0507
TokyoR #57 初心者セッション
TokyoR #57 初心者セッション
kotora_0507
TokyoR#53初心者セッション
TokyoR#53初心者セッション
kotora_0507
Mais de kotora_0507
(7)
Sendai r01 beginnerssession1
Sendai r01 beginnerssession1
Beginners session2 in TokyoR69
Beginners session2 in TokyoR69
Beginners session2 68
Beginners session2 68
Tokyo rの運営方針 2017
Tokyo rの運営方針 2017
TokyoR58 初心者セッション
TokyoR58 初心者セッション
TokyoR #57 初心者セッション
TokyoR #57 初心者セッション
TokyoR#53初心者セッション
TokyoR#53初心者セッション
Último
部内勉強会(IT用語ざっくり学習) 実施日:2024年5月17日(金) 対象者:営業部社員
部内勉強会(IT用語ざっくり学習) 実施日:2024年5月17日(金) 対象者:営業部社員
Sadaomi Nishi
Keywordmap overview material/CINC.co.ltd
Keywordmap overview material/CINC.co.ltd
kokinagano2
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
CRI Japan, Inc.
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
Takayuki Nakayama
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
KLab Inc. / Tech
MPAなWebフレームワーク、Astroの紹介 (その1) 2024/05/17の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その1) 2024/05/17の勉強会で発表されたものです。
iPride Co., Ltd.
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
Satoshi Makita
情報を表現するときのポイント
情報を表現するときのポイント
onozaty
研究紹介スライド: オフライン強化学習に基づくロボティックスワームの制御器の設計
研究紹介スライド: オフライン強化学習に基づくロボティックスワームの制御器の設計
atsushi061452
Intranet Development v1.0 (TSG LIVE! 12 LT )
Intranet Development v1.0 (TSG LIVE! 12 LT )
iwashiira2ctf
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperleger Tokyo Meetup
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
CRI Japan, Inc.
Último
(12)
部内勉強会(IT用語ざっくり学習) 実施日:2024年5月17日(金) 対象者:営業部社員
部内勉強会(IT用語ざっくり学習) 実施日:2024年5月17日(金) 対象者:営業部社員
Keywordmap overview material/CINC.co.ltd
Keywordmap overview material/CINC.co.ltd
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
MPAなWebフレームワーク、Astroの紹介 (その1) 2024/05/17の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その1) 2024/05/17の勉強会で発表されたものです。
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
情報を表現するときのポイント
情報を表現するときのポイント
研究紹介スライド: オフライン強化学習に基づくロボティックスワームの制御器の設計
研究紹介スライド: オフライン強化学習に基づくロボティックスワームの制御器の設計
Intranet Development v1.0 (TSG LIVE! 12 LT )
Intranet Development v1.0 (TSG LIVE! 12 LT )
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
Tokyo r94 beginnerssession3
1.
初心者セッション3 - Introduction to
rstan - Tokyo.R #94 @kotatyamtema 1
2.
自己紹介 TwitterID : @kotatyamtema 大学での専門:
行動生態学 立案 捕獲 実験 分析までワンオペ 今まで : 客先ぼっち分析屋→アパレル通販会社 現在 : 医療検査会社 R歴 : 10年過ぎたかも?永遠の初心者 近況 : 相変わらず令和ちゃんの季節変化が雑すぎて つらいです… くれぐれも体調に気をつけましょう
3.
目的 rstanとは何か rstanの基本的な使い方が 分かるようになる
4.
0. 事前準備 - projectの作成、パッケージのインストール、データハンドリング 0.
今回使用するデータとモデル 1. stanとは/rstanとは 2. rとstanの関係 3. 必要なファイル 4. stanファイルの書き方 5. MCMCの設定方法 6. MCMCの結果と評価 7. 参考資料 MENU
5.
project1 .Rmd project2 setwd() project3 setwd() setwd() .Rmd .Rmd 事前準備 -projectの作成 Rのprojectとは: デ ィレクトリとの紐付け(WD)、R環境などをまとめる仕組み →projectを設定することで解析環境の切り替えが容易に →複数の解析を同時に実行していると非常に便利
6.
新しいフォルダを作ってWDにする 今あるフォルダをWDにする 右上にあるProjectをクリック →New Projectを選択 事前準備 -projectの作成
7.
新しいフォルダを作ってWDにする 今あるフォルダをWDにする WDにするフォルダを選択 WDの名前(project名) WDを置くフォルダを選択 ✔ ✔ projectで指定したWDに [project名.Rproj]という ファイルができていれば 設定完了 事前準備 -projectの作成
8.
事前準備 -パッケージのインストール 今回必要なパッケージ palmerpengunins, dplyr,
ggplot2, rstan, bayesplot, shinystan 依存パッケージごとインストールする
9.
dplyrパッケージとは data.frameのデータ処理を扱うためのpackage ・特徴 - 関数を%>%でつないで実行していく - 書いた順に実行される -
考えた通りに書けるのでストレスが減る - 他のdata.frameを扱うpackage(tidyrとか)の関数に シームレスに渡せる - 集計後に横持ちに変換して欠損を0埋めしてもう 一度縦持ちに戻すなんて処理がいっぺんにできる 事前準備 -データハンドリング 今回データハンドリングに使用するパッケージはdplyrパッケージ
10.
dplyr:基本機能 関数 select filter mutate group_by summarise join系 arrange 動作 列の選択 条件による行の抽出 列の追加 条件による行のグループ化 行の集約 data.frame同士の結合 行の並べ替え 今回データハンドリングに使用するパッケージはdplyrパッケージ 事前準備 -データハンドリング 詳細は別途公式HPや専門書など
11.
今回使用するデータとモデル 今回使用するデータはpolmerpenguinsパッケージに入っている penguins データ https://allisonhorst.github.io/palmerpenguins/
12.
今回使用するデータとモデル penguins データからジェンツーペンギン(Gentoo)のデータのみ 抽出して体重とフリッパーの長さの単回帰モデルを作成する
13.
今回使用するデータとモデル glmで作成した体重とフリッパーの長さの単回帰モデル flipper_length_mm ∼ 0.009*body_mass_g
+ 171.3 # Gentooのデータのみ抽出 # 欠損値(NA)を除外する GentooData <- penguins %>% filter(species == "Gentoo") %>% filter(!is.na(flipper_length_mm) & !is.na(body_mass_g))
14.
stanとは/rstanとは stanとは MCMCサンプリングの実行に特化したプログラム 単体でも色々可能だが今回はMCMCサンプリングのみ使用 rstanとは Rとstanをつなげるためのラッパーパッケージ stanの実行条件を指定して実行 またstanの出力結果を見やすくするための関数多数
15.
rとstanの関係 町工場の分業体制 R データ加工、可視化 stan MCMCサンプリング rstan データと設定 サンプリング結果
16.
必要なファイル 今回必要なファイルは2種類 1. データの前処理やサンプリング設定を書いたR/Rmdファイル 2. stanが実行するモデルの設定を書いたstanファイル -
今回は penguin_glm.stan というファイルを作成 - stanファイルはRStudioで作成可能 - 文法チェック機能あり:Check on Save(ただしちょっと重い)
17.
stanへのデータの渡し方 stanにはリストにしたデータを渡す - stanファイルに記載するデータ名を要素名にしてリスト化 - stanは欠測値を受け付けないので除外しておく stanファイルではlistの要素名を使って書く -
混乱しない、間違いにくいことが大事 GentooData_list <- list( N = NROW(GentooData), #サンプルサイズ flipper_length = GentooData$flipper_length_mm, #フリッパーの長さ body_mass = GentooData$body_mass_g #体重 )
18.
stanファイルの書き方 1. stanに渡す設定はブロックごとに分けて書く ブロックの構成(7ブロック) functions /
data / transformed data / parameters / transformed parameters / model /generated quantities - 必須はmodelのみ - ブロックの順番は変更不可 - 今回使うのは data / parameters / model 2. ブロックは中括弧で囲む 3. 行の最後には必ずセミコロンをつける 4. コメントアウトは//(スラッシュ2本) 5. ファイルの最終行には必ず空白を入れる
19.
stanファイルの書き方 dataブロック サンプルサイズとデータを指定 - データ型と名前を指定、一部のデータ型ではサンプルサイズを明 記する - int
N; Nは整数である(int:整数型) - vector[N] flipper_length; flipper_lengthはN個のベクトル - vector[N] body_mass; body_massはN個のベクトル data { int N; // サンプルサイズ vector[N] flipper_length; // フリッパーの長さ vector[N] body_mass; // 体重 }
20.
stanファイルの書き方 parametersブロック モデルで推定するパラメータの指定 今回のモデル:flipper_length = beta
* body_mass + Intercept flipper_length[i] Normal(mu[i], sigma) mu[i] = beta * body_mass[i] + Intercept 推定すべきパラメータは beta, Intercept, sigma - 今回はすべてのパラメータがreal(実数) - 標準偏差であるsigmaのみ絶対0以上になるため<lower=0>の 条件を追加 parameters { real Intercept; // 切片 real beta; // 係数 real<lower=0> sigma; // 標準偏差
21.
stanファイルの書き方 modelブロック 観測値の分布を指定 今回のモデル:flipper_length = beta
* body_mass + Intercept flipper_length[i] Normal(mu[i], sigma) mu[i] = beta * body_mass[i] + Intercept flipper_length[i] Normal(beta*body_mass[i]+Intercept, sigma) → fliiper_lengthは平均(Intercept + beta*body_mass)と標準偏差 (sigma)の正規分布に従う model { for (i in 1:N) { flipper_length[i] normal(Intercept + beta*body_mass[i], sigma); } }
22.
MCMCの設定と実行 stan関数で指定するMCMCの設定 今回設定する引数 - file, data,
seed, chains, iter, warmup, thinの7つ Gentoo_stan_result <- stan( file = penguin_glm.stan", # モデルを記載したstanファイルへのパス data = GentooData_list, # stanに渡すデータリスト seed = 71, # 乱数シード chains = 4, # 乱数生成のセット数 iter = 3000, # 1セットの乱数生成の繰り返し数 warmup = 1000, # 初期生成乱数の切り捨て期間 thin = 1 # 間引き(1だと間引きなし) # 大きくすることで自己相関を緩和する )
23.
MCMCの結果と評価 MCMCの結果で評価しないといけないこと ・MCMCの有効サンプルサイズが十分かどうか - あまりにも少ない(参照100以下)場合は改良が必要
24.
MCMCの結果で評価しないといけないこと ・サンプリング結果が収束しているか - すべてのパラメータのRhatが1.1未満かどうか MCMCの結果と評価
25.
MCMCの結果と評価 MCMCの結果で評価しないといけないこと ・サンプリング結果が収束しているか - トレースプロットを作成、すべてチェーンが同じようなトレース になっていることを確認 - bayesplot:mcmc_combo関数で事後分布とトレースプロットが 同時に確認できる #
stanの結果からMCMCサンプルを抽出 Gentoo_stan_sample1 <- rstan::extract(Gentoo_stan_result, permuted = FALSE) # パラメータ(Intercept, beta, sigma)を指定してトレースプロットを作成 mcmc_combo(Gentoo_stan_sample1, pars = c("Intercept", "beta", "sigma"))
26.
MCMCの結果と評価 MCMCの結果で評価しないといけないこと ・サンプリング結果が収束しているか
27.
MCMCの結果と評価 自己相関が十分低いか - bayesplot:mcmc_acf_barで可視化できる - Lagが0に集まっているほど良い
28.
モデルの収束確認完了
29.
目標 flipper_length_mm ∼ 0.009*body_mass_g
+ 171.3 推定結果 flipper_length[i] Normal(0.009*body_mass[i]+171.3, 4.68) MCMCの結果と評価
30.
妥当なモデルの推定 成功 千里の道も一歩から 複雑なモデルの作成も 簡単なモデルから
31.
MCMCの結果と評価 もっとビジュアライズされた結果の評価ツール shinyrstanパッケージ 参照サイト:RStanとShinyStanによるベイズ統計モデリング入門 https://www.slideshare.net/masakitsuda940/rstanshinystan
32.
本 StanとRでベイズ統計モデリング (Wonderful R) 松浦
健太郎 、 石田 基広 実践Data Scienceシリーズ RとStanではじめる ベイズ統計モデリン グによるデータ分析入門 馬場 真哉 slideshare RStanとShinyStanによるベイズ統計モデリング入門 Stan超初心者入門 blog Kosugitti s BLOG アンドロイドは正規分布の夢を見るか Logic of Blue 参考資料
33.
ENJOY!
Baixar agora