Help us understand the problem. What is going on with this article?

Nagoya.R #12に参加してきた

More than 5 years have passed since last update.

Rはかなり前に挫折してそのまま放置していたのでNagoya.R #12に参加しました。とはいえ聞いていただけなのです。

Rprofile 作成のすすめ

  • CRAN(しーらん): Rのpackageのリポジトリ。ミラーたくさん。
  • デフォルトだとRが終了するたびにリセットされる。悲しい上に面倒くさい。

  • 作業フォルダに.Rprofileというファイルを作成して、そのなかに起動時に実行するスクリプトを書いておくことで解決。

  • いつも定義するようなものは.Rprofileに書いてしまおう
    例.Qだけ打つとRを終了させる
    class(Q)=Q="no";print.no=q

非線形の相関関係を検出する指標の算出

  • 線形な関係: アイスの売上と気温の関係
  • 非線形な関係: スポーツにおける緊張と成績(逆U字の関係)

  • 積率相関係数(いつもの相関係数)は線形の相関を想定するため、非線形の相関は検出できない

  • MIC(Maximal Information Coefficient: 最大情報係数)は非線形に対応

    • 相互情報量が最大になるようにグリッドを分割して計算
    • Y = sin(X) のような相関
  • Rのパッケージではminervaで提供されているmineで計算可能

  • いくつかの指標

    • MIC: R^2 に相当
    • MICR2: 積率相関係数との差を表示
    • MAS: 単調性の指標
  • MICの弱点

    • ビッグデータ前提
    • 関係性の強さはわかるが値がどう変わるかは不明

Rを用いた一般化可能性理論

  • 一般化可能性理論: 主観的評価における測定方法やテストの適切さを図る方法の一つ
  • 項目数や被験者数の
  • まあいいだろうという値は0.6
  • ブログからコピペで使える

一般化線形混合モデル入門の入門

install.packages("lme4")
library(lme4)
lmer(x ~ y + z, data = ratings)
  • lmerTestパッケージ: lme4パッケージ(作成者はアンチp値)にないp値の計算用パッケージ
  • step関数 : モデルからモデルフィッティングに寄与しない変数を削除し、モデルを提供してくれる。便利。

Rでテキストマイニング

  • tmパッケージを利用
  • いろんな形式のデータを利用可能(WebとかOfficeとかPDFとかいろいろ)

  • tm_mapを使って、前処理できる

    • 大文字を小文字にしたり
    • gsub(正規表現を使ったテキスト変形関数)を使って処理したり
    • snowballCパッケージを使って、stemDocumetsを使って語句の変化を消去したり
    • 機能語(Stop words)を消去したり(removeWords, Stopwords)
    • stripWhitespaceで空白を削除したり
  • 頻度の分析: DocumentTermMatrix()

非線形回帰(レーベンバーグ・マルカート法)と信頼区間(ブートストラップ法)

  • 結論: 非線形回帰した場合、信頼区間はブートストラップ法を使うと簡単に求められる
  • nlsでできるが、データに異常値があったりするとエラーが頻発してしまって辛い
  • minpackのnls.lm関数を利用

  • rm(list=ls())はスクリプトの頭につけるのを癖にしておくのがよい

    • 今までに作成した変数の定義を消去
  • ブートストラップ法自体はスクリプトで実装

モザイクプロットいかがですか

  • 分割表で利用
  • mosaicplot()関数を利用して描画する
    • 分割表の解析結果を可視化する関数
  • 可視化大事

最後に

  • 前半ぶっちぎって後半から参加したけれど前半も出ればよかった
  • ブートストラップの泥臭さと力強さすごい
  • 統計は理論の説明って難しいんだなあと改めて実感

主催してくださった川口勇作さんありがとうございました!

repro
世界59か国6,500以上の導入実績を持つCE(カスタマーエンゲージメント)プラットフォーム「Repro(リプロ)」を提供
https://repro.io/
Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away