Suche senden
Hochladen
空間データのための回帰分析
•
15 gefällt mir
•
7,604 views
S
springking
Folgen
Bildung
Melden
Teilen
Melden
Teilen
1 von 12
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
semantic segmentation サーベイ
semantic segmentation サーベイ
yohei okawa
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
言語と画像の表現学習
言語と画像の表現学習
Yuki Noguchi
[DL輪読会]World Models
[DL輪読会]World Models
Deep Learning JP
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Empfohlen
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
semantic segmentation サーベイ
semantic segmentation サーベイ
yohei okawa
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
言語と画像の表現学習
言語と画像の表現学習
Yuki Noguchi
[DL輪読会]World Models
[DL輪読会]World Models
Deep Learning JP
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
XGBoostからNGBoostまで
XGBoostからNGBoostまで
Tomoki Yoshida
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
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
時系列問題に対するCNNの有用性検証
時系列問題に対するCNNの有用性検証
Masaharu Kinoshita
ブースティング入門
ブースティング入門
Retrieva inc.
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
因果関係を時系列変化で分析
因果関係を時系列変化で分析
DaikiNagamine
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
Hiroshi Nakagawa
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
Deep Learning JP
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
Masakazu Shinoda
CycleGANで顔写真をアニメ調に変換する
CycleGANで顔写真をアニメ調に変換する
meownoisy
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
[DL輪読会]Inverse Constrained Reinforcement Learning
[DL輪読会]Inverse Constrained Reinforcement Learning
Deep Learning JP
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
Tokyo Institute of Technology
Weitere ähnliche Inhalte
Was ist angesagt?
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
XGBoostからNGBoostまで
XGBoostからNGBoostまで
Tomoki Yoshida
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
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
時系列問題に対するCNNの有用性検証
時系列問題に対するCNNの有用性検証
Masaharu Kinoshita
ブースティング入門
ブースティング入門
Retrieva inc.
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
因果関係を時系列変化で分析
因果関係を時系列変化で分析
DaikiNagamine
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
Hiroshi Nakagawa
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
Deep Learning JP
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
Masakazu Shinoda
CycleGANで顔写真をアニメ調に変換する
CycleGANで顔写真をアニメ調に変換する
meownoisy
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
[DL輪読会]Inverse Constrained Reinforcement Learning
[DL輪読会]Inverse Constrained Reinforcement Learning
Deep Learning JP
Was ist angesagt?
(20)
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
XGBoostからNGBoostまで
XGBoostからNGBoostまで
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
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
時系列問題に対するCNNの有用性検証
時系列問題に対するCNNの有用性検証
ブースティング入門
ブースティング入門
ベイズファクターとモデル選択
ベイズファクターとモデル選択
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
因果関係を時系列変化で分析
因果関係を時系列変化で分析
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
社会心理学とGlmm
社会心理学とGlmm
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
CycleGANで顔写真をアニメ調に変換する
CycleGANで顔写真をアニメ調に変換する
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
[DL輪読会]Inverse Constrained Reinforcement Learning
[DL輪読会]Inverse Constrained Reinforcement Learning
Kürzlich hochgeladen
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
Tokyo Institute of Technology
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
Kochi Eng Camp
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
Takayuki Itoh
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
Kochi Eng Camp
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
Kürzlich hochgeladen
(6)
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
空間データのための回帰分析
1.
空間データのための回帰分析
@t2gtnd HiRoshima.R #1
2.
空間データって? • 地理情報システムGIS (Geographic
Information System) の進 化にともない,位置情報を付加された空間データが入手可能 になってきた.これにより,・・・・ 要するに・・・ 観測地点の位置が分かっているデータ
3.
空間データの例)コロンバス市の犯罪データ • オハイオ州コロンバス市49
地区における1980年の地区 別犯罪発生数と経済指標 (収入・家価格)のデータ – crime : 千世帯辺りの犯罪数 – income : 世帯収入(×$1,000) – housing : 家価格(×$1,000) – (x,y) : 地区所在地の座標 • 知りたいこと 経済指標と犯罪発生数の関係
4.
重回帰分析 • 位置情報を無視すれば、普通の重回帰分析
crime 0 1 income 2 housing 経済指標と犯罪数の関 係(回帰係数)は位置に よらず一定(と仮定)
5.
地理的加重回帰(GWR) • 位置によって回帰係数が変わると考えると… crime
0 ( x, y) 1 ( x, y) income 2 ( x, y) housing 地域によって変わる 地域によって変わる 収入と犯罪数の関係 家価格と犯罪数の関係 i ( x, y) の推定方法 固定した位置(x,y)の周辺データに対して 各観測値に距離に基づく重みを設定し, カーネル平滑化の要領で局所的な重み つき重回帰分析を繰り返す. バンド幅の最適化 → gwr.sel 地理的加重回帰の推定 → gwr
6.
GWRの適用結果
GWRの結果 重回帰分析の結果 位置の数だけ回帰係数を推定する ので、推定値の五数要約値を出力
7.
akimaパッケージを用いて回帰 係数の等値線地図を作成 0 (
x, y) 1 ( x, y) 2 ( x, y)
8.
重回帰と地理的加重回帰のどっちがいい? • グローバル検定 LMZ.F3GWR.test
残差分散を比較することで,帰無仮説:重回 帰,対立仮説:地理的加重回帰の検定を行う コロンバス市の犯罪データでは,重回帰(回帰係数は位置によらず一定)で十分!
9.
GWRはESRI社のArcGISにも実装
10.
補足)地理的加重一般化線形モデル • 目的変数が離散値の場合
→ 地理的加重一般化線形モデル (2値:ロジスティック回帰,計数値:ポアソン回帰) • spgwrパッケージに用意されている関数 – バンド幅の最適化 → ggwr.sel – 地理的加重一般化線形モデルの推定 → ggwr – グローバル検定 → (理論的にも)未実装 たぶん
11.
主な参考文献 spgwrの他にもsp, spdep,
地理的加重回帰の提案者 maptoolsなど空間データを たちの本 扱うパッケージを紹介
12.
おしまい
Jetzt herunterladen