SlideShare a Scribd company logo
1 of 39
Download to read offline
R
                               II     4
                                                      .


                               @yokkuns
                                                  .

                        R            Tokyo.R#09


                               2010/09/19




@yokkuns   (R   Tokyo.R#09 )
                      R                II    4            2010/09/19   1 / 40
R
                                   II            4




@yokkuns   (R   Tokyo.R#09 )
                      R                 II   4       2010/09/19   2 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   3 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   4 / 40
ID :        yokkuns
                                  :
                                  :        Web
                                http://twitter.com/yokkuns




@yokkuns   (R   Tokyo.R#09 )
                      R               II     4           2010/09/19   5 / 40
-                 1

                          R                Tokyo.R




                http://groups.google.co.jp/group/r-study-tokyo
@yokkuns   (R        Tokyo.R#09 )
                           R               II   4                2010/09/19   6 / 40
-                2




                http://groups.google.co.jp/group/grinning-math
@yokkuns   (R         Tokyo.R#09 )
                            R              II   4                2010/09/19   7 / 40
-




                                                                           PRML
     2010.09.11   RPML                                   13.3   13.3.3




                   9 R                      R                                   II
     2010.09.19
                  Tokyo.R#09                             4

                   7
     2010.09.25    +WEB
                  Tokyo.Webmining#7




@yokkuns     (R          Tokyo.R#09 )
                               R                II   4                   2010/09/19   8 / 40
-




                                                                           PRML
     2010.09.11   RPML                                   13.3   13.3.3




                   9 R                      R                                   II
     2010.09.19
                  Tokyo.R#09                             4

                   7
     2010.09.25    +WEB
                  Tokyo.Webmining#7




@yokkuns     (R          Tokyo.R#09 )
                               R                II   4                   2010/09/19   9 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   10 / 40
MDS: multi-dimensional scaling




                        2            3




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4           2010/09/19   11 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   12 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   13 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   14 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   15 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   16 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   17 / 40
...




                               MDS




@yokkuns   (R   Tokyo.R#09 )
                      R              II   4         2010/09/19   18 / 40
D n×n = [di j ]

           i    j                  di j


                                   di j = ||Xi − X j ||



                                            di j ≥ 0
                                            di j = d ji
                                    di j + d jk ≥ dik


@yokkuns   (R       Tokyo.R#09 )
                          R                     II   4    2010/09/19   19 / 40
∑
                     p                                          ∑
                                                                p

           edi j =     (xik − x jk )2              cdi j =            |xik − x jk |
                     k=1                                        k=1




                                            ∑
                                            p
                           mdi j =                |xik − x jk | q
                                        q


                                            k=1




@yokkuns       (R      Tokyo.R#09 )
                             R                      II    4                     2010/09/19   20 / 40
∑p
                                          (xik − xi )(x jk − x j )
                                    k=1
                ri j =      √∑
                                 p                         ∑n
                                     (xik   − xi )2             k=1
                                                                      (x jk − x j )2
                                 k=1


                                            ∑p
                                                       xik x jk
                                              k=1
                         psi j =      √∑
                                            p               ∑n
                                                      x2        k=1
                                                                       x2
                                            k=1        ik                jk




                   rdi j = 1 − ri j         pdi j = 1 − psi j
@yokkuns   (R     Tokyo.R#09 )
                        R                        II         4                          2010/09/19   21 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   22 / 40
2

                   d2j = ||xi − x j ||2 = (xi − x j )T (xi − x j )
                    i
                         = ||xi ||2 + ||x j ||2 − 2xT x j
                                                    i



                               2

                bi j = xT x j = xi1 x j1 + xi2 x j2 + · · · + xi p x j p
                        i




@yokkuns   (R         Tokyo.R#09 )
                            R                    II    4                   2010/09/19   23 / 40
d2j = ||xi ||2 + ||x j ||2 − 2bi j
            i
                                                             d2 = ||xi ||2
                                                              i




                                      d2j = d2 + d2 − 2bi j
                                       i     i    j




@yokkuns         (R          Tokyo.R#09 )
                                   R                II   4                   2010/09/19   24 / 40
bi j

                                1 2
                       bi j =    (d + d2 − d2j )
                                2 i    j    i




@yokkuns   (R   Tokyo.R#09 )
                      R                   II   4   2010/09/19   25 / 40
MDS




                                           MDS
                              cmdscale(d, k = 2, ei g = F ALSE)




                  d   :    dist
                  k   :
                eig   :




@yokkuns   (R             Tokyo.R#09 )
                                R                  II   4         2010/09/19   26 / 40
21

           (eur.cmd< −cmdscale(eurodist))
           plot(eur.cmd,type=”n”)
           text(eur.cmd,rownames(eur.cmd ))




@yokkuns      (R          Tokyo.R#09 )
                                R             II        4   2010/09/19   27 / 40
iris

           iris.dist< −dist(iris[,-5])
           iris.cmd< −cmdscale(iris.dist)
           plot(iris.cmd,type=”n”)
           iris.lab< −factor(c(rep(”S”,50),rep(”C”,50),rep(”V”,50)))
           text(iris.cmd,labels=iris.lab,col=unclass(iris.lab))




@yokkuns       (R           Tokyo.R#09 )
                                  R                     II   4         2010/09/19   28 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   29 / 40
∑∑         ˆ − di j )2
                                             i j ( di j
                     STRESS1    =            ∑∑ 2
                                                di j



                      STRESS1   %
                        0.200   20.0%
                        0.100   10.0%
                        0.050    5.0%
                        0.025    2.5%
                        0.000     0%


@yokkuns   (R   Tokyo.R#09 )
                      R                 II       4           2010/09/19   30 / 40
MDS


                                       MASS
              isoM DS(d, y = cmdscale(d, k), k = 2, maxit = 50, t race = TRUE, t ol =
                                          1e − 3, p = 2)




                                      MASS
            sammon(d, y = cmdscale(d, k), k = 2, niter = 100, t race = TRUE, ma gic =
                                       0.2, t ol = 1e − 4)




                                       vegan
            met aM DS(comm, dist ance = ”bray”, k = 2, t rymax = 20, aut ot rans f orm =
           TRUE, noshare = 0.1, wascores = TRUE, expand = TRUE, t race = 1, plot =
                         FALSE, previous.best, old.wa = FALSE, ...)



@yokkuns     (R            Tokyo.R#09 )
                                 R                     II    4                     2010/09/19   31 / 40
install.packages(”mlbench”)
                library(mlbench)
                install.packages(”e1071”)
                set.seed(100)
                p< −mlbench.corners(n=160)
                lab=as.numeric(p$classes)
                x.dist< −dist(p$x)
                library(MASS)
                par(mar=c(4.5,4.5,1,1), mfrow=c(2,2))
                plot(cmdscale(x.dist),pch=lab,col=lab)
                plot(sammon(x.dist)$points,pch=lab,col=lab)
                plot(isoMDS(x.dist)$points,pch=lab,col=lab)
                install.packages(”vegan”)
                library(vegan)
                x.dist2< −as.matrix(x.dist)
                plot(metaMDS(x.dist2)$point,pch=lab,col=lab)



@yokkuns   (R            Tokyo.R#09 )
                               R                  II    4      2010/09/19   32 / 40
@yokkuns   (R   Tokyo.R#09 )
                      R        II   4   2010/09/19   33 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   34 / 40
cmdscale



           isoMDS
           sammon
           metaMDS




@yokkuns   (R         Tokyo.R#09 )
                            R        II   4   2010/09/19   35 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   36 / 40
R                             Tokyo.R#10




@yokkuns   (R   Tokyo.R#09 )
                      R        II    4     2010/09/19   37 / 40
AGENDA




@yokkuns   (R   Tokyo.R#09 )
                      R             II   4   2010/09/19   38 / 40
@yokkuns   (R   Tokyo.R#09 )
                      R        II   4   2010/09/19   39 / 40

More Related Content

What's hot

Rで階層ベイズモデル
Rで階層ベイズモデルRで階層ベイズモデル
Rで階層ベイズモデルYohei Sato
 
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章Shushi Namba
 
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6Hiroyuki Kato
 
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知Yuya Takashina
 
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM. .
 
Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Yohei Sato
 
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214Kosuke Nakago
 
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布Nagayoshi Yamashita
 
非線形データの次元圧縮 150905 WACODE 2nd
非線形データの次元圧縮 150905 WACODE 2nd非線形データの次元圧縮 150905 WACODE 2nd
非線形データの次元圧縮 150905 WACODE 2ndMika Yoshimura
 
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化gree_tech
 
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)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
 
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得Masayuki Tanaka
 
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータStanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータMiki Katsuragi
 
【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【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
 
公平性を保証したAI/機械学習
アルゴリズムの最新理論
公平性を保証したAI/機械学習
アルゴリズムの最新理論公平性を保証したAI/機械学習
アルゴリズムの最新理論
公平性を保証したAI/機械学習
アルゴリズムの最新理論Kazuto Fukuchi
 
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)harmonylab
 
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門shima o
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法Hidetoshi Matsui
 

What's hot (20)

Rで階層ベイズモデル
Rで階層ベイズモデルRで階層ベイズモデル
Rで階層ベイズモデル
 
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
 
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
 
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
 
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
 
Tokyo r15 異常検知入門
Tokyo r15 異常検知入門Tokyo r15 異常検知入門
Tokyo r15 異常検知入門
 
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214
 
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
 
非線形データの次元圧縮 150905 WACODE 2nd
非線形データの次元圧縮 150905 WACODE 2nd非線形データの次元圧縮 150905 WACODE 2nd
非線形データの次元圧縮 150905 WACODE 2nd
 
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
 
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)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)
 
2 3.GLMの基礎
2 3.GLMの基礎2 3.GLMの基礎
2 3.GLMの基礎
 
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
 
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータStanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
 
【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【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
 
公平性を保証したAI/機械学習
アルゴリズムの最新理論
公平性を保証したAI/機械学習
アルゴリズムの最新理論公平性を保証したAI/機械学習
アルゴリズムの最新理論
公平性を保証したAI/機械学習
アルゴリズムの最新理論
 
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
 
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法
 

Viewers also liked

エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについてエクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについてHiroshi Shimizu
 
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—Atsushi Marui
 
データ解析技術入門(R編)
データ解析技術入門(R編)データ解析技術入門(R編)
データ解析技術入門(R編)Takumi Asai
 
トレジャーデータ 導入体験記 リブセンス編
トレジャーデータ 導入体験記 リブセンス編トレジャーデータ 導入体験記 リブセンス編
トレジャーデータ 導入体験記 リブセンス編Kentaro Yoshida
 
距離と分類の話
距離と分類の話距離と分類の話
距離と分類の話考司 小杉
 
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...Hirokatsu Kataoka
 
時系列データ4
時系列データ4時系列データ4
時系列データ4graySpace999
 
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
 
Complex network ws_percolation
Complex network ws_percolationComplex network ws_percolation
Complex network ws_percolationYohei Sato
 
Tokyor24 yokkuns
Tokyor24 yokkunsTokyor24 yokkuns
Tokyor24 yokkunsYohei Sato
 
時系列データ分析
時系列データ分析時系列データ分析
時系列データ分析graySpace999
 
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介Yohei Sato
 
Tokyor26 data fusion
Tokyor26 data fusionTokyor26 data fusion
Tokyor26 data fusionYohei Sato
 
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
 
Sakuteki02 yokkuns
Sakuteki02 yokkunsSakuteki02 yokkuns
Sakuteki02 yokkunsYohei Sato
 
主成分分析(Pca)
主成分分析(Pca)主成分分析(Pca)
主成分分析(Pca)Shushi Namba
 
Rでレポートメール
RでレポートメールRでレポートメール
RでレポートメールYohei Sato
 
Tokyowebmining19 data fusion
Tokyowebmining19 data fusionTokyowebmining19 data fusion
Tokyowebmining19 data fusionYohei Sato
 

Viewers also liked (20)

エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについてエクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
 
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—
楽器音色の主観評価 —多次元尺度法を用いた研究例の紹介—
 
データ解析技術入門(R編)
データ解析技術入門(R編)データ解析技術入門(R編)
データ解析技術入門(R編)
 
トレジャーデータ 導入体験記 リブセンス編
トレジャーデータ 導入体験記 リブセンス編トレジャーデータ 導入体験記 リブセンス編
トレジャーデータ 導入体験記 リブセンス編
 
距離と分類の話
距離と分類の話距離と分類の話
距離と分類の話
 
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...
【論文紹介】Fashion Style in 128 Floats: Joint Ranking and Classification using Wea...
 
時系列データ4
時系列データ4時系列データ4
時系列データ4
 
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
 
Complex network ws_percolation
Complex network ws_percolationComplex network ws_percolation
Complex network ws_percolation
 
Tokyor24 yokkuns
Tokyor24 yokkunsTokyor24 yokkuns
Tokyor24 yokkuns
 
時系列データ分析
時系列データ分析時系列データ分析
時系列データ分析
 
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介
Tokyor13 - YjdnJlpパッケージとTokyo.R翻訳プロジェクトの紹介
 
Tokyor26 data fusion
Tokyor26 data fusionTokyor26 data fusion
Tokyor26 data fusion
 
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
 
Sakuteki02 yokkuns
Sakuteki02 yokkunsSakuteki02 yokkuns
Sakuteki02 yokkuns
 
主成分分析(Pca)
主成分分析(Pca)主成分分析(Pca)
主成分分析(Pca)
 
Rでレポートメール
RでレポートメールRでレポートメール
Rでレポートメール
 
外れ値
外れ値外れ値
外れ値
 
MapReduce入門
MapReduce入門MapReduce入門
MapReduce入門
 
Tokyowebmining19 data fusion
Tokyowebmining19 data fusionTokyowebmining19 data fusion
Tokyowebmining19 data fusion
 

More from Yohei Sato

Tokyor60 r data_science_part1
Tokyor60 r data_science_part1Tokyor60 r data_science_part1
Tokyor60 r data_science_part1Yohei Sato
 
Tokyor60 opening
Tokyor60 openingTokyor60 opening
Tokyor60 openingYohei 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_18Tokyor42_r_datamining_18
Tokyor42_r_datamining_18Yohei Sato
 
Tokyor42 ggplot2
Tokyor42 ggplot2Tokyor42 ggplot2
Tokyor42 ggplot2Yohei Sato
 
Tokyor39 yokkuns
Tokyor39 yokkunsTokyor39 yokkuns
Tokyor39 yokkunsYohei Sato
 
EasyHtmlReportの紹介
EasyHtmlReportの紹介EasyHtmlReportの紹介
EasyHtmlReportの紹介Yohei Sato
 
20131206 japan r
20131206 japan r20131206 japan r
20131206 japan rYohei Sato
 
Tokyor35 人工データの発生
Tokyor35 人工データの発生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でピボットテーブル
RでピボットテーブルRでピボットテーブル
RでピボットテーブルYohei Sato
 
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling傾向スコア解析とUplift Modelling
傾向スコア解析とUplift ModellingYohei Sato
 
異常行動検出入門(改)
異常行動検出入門(改)異常行動検出入門(改)
異常行動検出入門(改)Yohei Sato
 
Tokyor22 selection bias
Tokyor22 selection biasTokyor22 selection bias
Tokyor22 selection biasYohei Sato
 
Uplift Modelling 入門(1)
Uplift Modelling 入門(1)Uplift Modelling 入門(1)
Uplift Modelling 入門(1)Yohei Sato
 
エンジニアサポート新年会2012 データマイニングcross 第1部
エンジニアサポート新年会2012 データマイニングcross 第1部エンジニアサポート新年会2012 データマイニングcross 第1部
エンジニアサポート新年会2012 データマイニングcross 第1部Yohei Sato
 
Japan r2 lt_yokkuns
Japan r2 lt_yokkunsJapan r2 lt_yokkuns
Japan r2 lt_yokkunsYohei Sato
 
Japan r2 tokyor
Japan r2 tokyorJapan r2 tokyor
Japan r2 tokyorYohei Sato
 
Japan r2 opening
Japan r2 openingJapan r2 opening
Japan r2 openingYohei Sato
 

More from Yohei Sato (20)

Tokyor60 r data_science_part1
Tokyor60 r data_science_part1Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
 
Tokyor60 opening
Tokyor60 openingTokyor60 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_18Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
 
Tokyor42 ggplot2
Tokyor42 ggplot2Tokyor42 ggplot2
Tokyor42 ggplot2
 
Tokyor39 yokkuns
Tokyor39 yokkunsTokyor39 yokkuns
Tokyor39 yokkuns
 
EasyHtmlReportの紹介
EasyHtmlReportの紹介EasyHtmlReportの紹介
EasyHtmlReportの紹介
 
20131206 japan r
20131206 japan r20131206 japan r
20131206 japan r
 
Tokyor35 人工データの発生
Tokyor35 人工データの発生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でピボットテーブル
RでピボットテーブルRでピボットテーブル
Rでピボットテーブル
 
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
 
異常行動検出入門(改)
異常行動検出入門(改)異常行動検出入門(改)
異常行動検出入門(改)
 
Tokyor22 selection bias
Tokyor22 selection biasTokyor22 selection bias
Tokyor22 selection bias
 
Uplift Modelling 入門(1)
Uplift Modelling 入門(1)Uplift Modelling 入門(1)
Uplift Modelling 入門(1)
 
エンジニアサポート新年会2012 データマイニングcross 第1部
エンジニアサポート新年会2012 データマイニングcross 第1部エンジニアサポート新年会2012 データマイニングcross 第1部
エンジニアサポート新年会2012 データマイニングcross 第1部
 
Japan r2 lt_yokkuns
Japan r2 lt_yokkunsJapan r2 lt_yokkuns
Japan r2 lt_yokkuns
 
Japan r2 tokyor
Japan r2 tokyorJapan r2 tokyor
Japan r2 tokyor
 
Japan r2 opening
Japan r2 openingJapan r2 opening
Japan r2 opening
 

Tokyor09

  • 1. R II 4 . @yokkuns . R Tokyo.R#09 2010/09/19 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 1 / 40
  • 2. R II 4 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 2 / 40
  • 3. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 3 / 40
  • 4. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 4 / 40
  • 5. ID : yokkuns : : Web http://twitter.com/yokkuns @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 5 / 40
  • 6. - 1 R Tokyo.R http://groups.google.co.jp/group/r-study-tokyo @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 6 / 40
  • 7. - 2 http://groups.google.co.jp/group/grinning-math @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 7 / 40
  • 8. - PRML 2010.09.11 RPML 13.3 13.3.3 9 R R II 2010.09.19 Tokyo.R#09 4 7 2010.09.25 +WEB Tokyo.Webmining#7 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 8 / 40
  • 9. - PRML 2010.09.11 RPML 13.3 13.3.3 9 R R II 2010.09.19 Tokyo.R#09 4 7 2010.09.25 +WEB Tokyo.Webmining#7 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 9 / 40
  • 10. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 10 / 40
  • 11. MDS: multi-dimensional scaling 2 3 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 11 / 40
  • 12. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 12 / 40
  • 13. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 13 / 40
  • 14. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 14 / 40
  • 15. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 15 / 40
  • 16. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 16 / 40
  • 17. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 17 / 40
  • 18. ... MDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 18 / 40
  • 19. D n×n = [di j ] i j di j di j = ||Xi − X j || di j ≥ 0 di j = d ji di j + d jk ≥ dik @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 19 / 40
  • 20. p ∑ p edi j = (xik − x jk )2 cdi j = |xik − x jk | k=1 k=1 ∑ p mdi j = |xik − x jk | q q k=1 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 20 / 40
  • 21. ∑p (xik − xi )(x jk − x j ) k=1 ri j = √∑ p ∑n (xik − xi )2 k=1 (x jk − x j )2 k=1 ∑p xik x jk k=1 psi j = √∑ p ∑n x2 k=1 x2 k=1 ik jk rdi j = 1 − ri j pdi j = 1 − psi j @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 21 / 40
  • 22. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 22 / 40
  • 23. 2 d2j = ||xi − x j ||2 = (xi − x j )T (xi − x j ) i = ||xi ||2 + ||x j ||2 − 2xT x j i 2 bi j = xT x j = xi1 x j1 + xi2 x j2 + · · · + xi p x j p i @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 23 / 40
  • 24. d2j = ||xi ||2 + ||x j ||2 − 2bi j i d2 = ||xi ||2 i d2j = d2 + d2 − 2bi j i i j @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 24 / 40
  • 25. bi j 1 2 bi j = (d + d2 − d2j ) 2 i j i @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 25 / 40
  • 26. MDS MDS cmdscale(d, k = 2, ei g = F ALSE) d : dist k : eig : @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 26 / 40
  • 27. 21 (eur.cmd< −cmdscale(eurodist)) plot(eur.cmd,type=”n”) text(eur.cmd,rownames(eur.cmd )) @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 27 / 40
  • 28. iris iris.dist< −dist(iris[,-5]) iris.cmd< −cmdscale(iris.dist) plot(iris.cmd,type=”n”) iris.lab< −factor(c(rep(”S”,50),rep(”C”,50),rep(”V”,50))) text(iris.cmd,labels=iris.lab,col=unclass(iris.lab)) @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 28 / 40
  • 29. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 29 / 40
  • 30. ∑∑ ˆ − di j )2 i j ( di j STRESS1 = ∑∑ 2 di j STRESS1 % 0.200 20.0% 0.100 10.0% 0.050 5.0% 0.025 2.5% 0.000 0% @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 30 / 40
  • 31. MDS MASS isoM DS(d, y = cmdscale(d, k), k = 2, maxit = 50, t race = TRUE, t ol = 1e − 3, p = 2) MASS sammon(d, y = cmdscale(d, k), k = 2, niter = 100, t race = TRUE, ma gic = 0.2, t ol = 1e − 4) vegan met aM DS(comm, dist ance = ”bray”, k = 2, t rymax = 20, aut ot rans f orm = TRUE, noshare = 0.1, wascores = TRUE, expand = TRUE, t race = 1, plot = FALSE, previous.best, old.wa = FALSE, ...) @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 31 / 40
  • 32. install.packages(”mlbench”) library(mlbench) install.packages(”e1071”) set.seed(100) p< −mlbench.corners(n=160) lab=as.numeric(p$classes) x.dist< −dist(p$x) library(MASS) par(mar=c(4.5,4.5,1,1), mfrow=c(2,2)) plot(cmdscale(x.dist),pch=lab,col=lab) plot(sammon(x.dist)$points,pch=lab,col=lab) plot(isoMDS(x.dist)$points,pch=lab,col=lab) install.packages(”vegan”) library(vegan) x.dist2< −as.matrix(x.dist) plot(metaMDS(x.dist2)$point,pch=lab,col=lab) @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 32 / 40
  • 33. @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 33 / 40
  • 34. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 34 / 40
  • 35. cmdscale isoMDS sammon metaMDS @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 35 / 40
  • 36. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 36 / 40
  • 37. R Tokyo.R#10 @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 37 / 40
  • 38. AGENDA @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 38 / 40
  • 39. @yokkuns (R Tokyo.R#09 ) R II 4 2010/09/19 39 / 40