Suche senden
Hochladen
Tokyo r 10_12
•
4 gefällt mir
•
3,180 views
Tadayuki Onishi
Folgen
Technologie
Business
Melden
Teilen
Melden
Teilen
1 von 47
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
Rで学ぶ現代ポートフォリオ理論入門 - TokyoR #18
Rで学ぶ現代ポートフォリオ理論入門 - TokyoR #18
horihorio
Rで解く最適化問題 線型計画問題編
Rで解く最適化問題 線型計画問題編
Hidekazu Tanaka
Optimization In R
Optimization In R
syou6162
バージョンアップに負けないためのプラクティス
バージョンアップに負けないためのプラクティス
Yuji Tokuda
2ch
2ch
Atsushi Hayakawa
Tokyor18
Tokyor18
Daisuke Ichikawa
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Issei Kurahashi
Tokyor17
Tokyor17
Daisuke Ichikawa
Empfohlen
Rで学ぶ現代ポートフォリオ理論入門 - TokyoR #18
Rで学ぶ現代ポートフォリオ理論入門 - TokyoR #18
horihorio
Rで解く最適化問題 線型計画問題編
Rで解く最適化問題 線型計画問題編
Hidekazu Tanaka
Optimization In R
Optimization In R
syou6162
バージョンアップに負けないためのプラクティス
バージョンアップに負けないためのプラクティス
Yuji Tokuda
2ch
2ch
Atsushi Hayakawa
Tokyor18
Tokyor18
Daisuke Ichikawa
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Issei Kurahashi
Tokyor17
Tokyor17
Daisuke Ichikawa
サーバ異常検知入門
サーバ異常検知入門
mangantempy
Tokyor16
Tokyor16
Daisuke Ichikawa
3次元のデータをグラフにする(Tokyo.R#17)
3次元のデータをグラフにする(Tokyo.R#17)
Takumi Tsutaya
Rデバッグあれこれ
Rデバッグあれこれ
Takeshi Arabiki
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
Kosei ABE
Tokyo webmining 複雑ネットワークとデータマイニング
Tokyo webmining 複雑ネットワークとデータマイニング
Hiroko Onari
Tokyo r18
Tokyo r18
Takashi Minoda
パターン認識 08 09 k-近傍法 lvq
パターン認識 08 09 k-近傍法 lvq
sleipnir002
異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
Yohei Sato
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Yohei Sato
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Takeshi Mikami
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Yahoo!デベロッパーネットワーク
Rて計量経済学入門#tokyo.r.17
Rて計量経済学入門#tokyo.r.17
yuuukioii
はじパタLT3
はじパタLT3
Tadayuki Onishi
そろそろSublime Text 2を熱く語ろうと思う
そろそろSublime Text 2を熱く語ろうと思う
Tadayuki Onishi
はじパタLT2
はじパタLT2
Tadayuki Onishi
はじパタLT Section1
はじパタLT Section1
Tadayuki Onishi
アド部6回発表
アド部6回発表
Tadayuki Onishi
アド部5回発表
アド部5回発表
Tadayuki Onishi
garchfit
garchfit
Tadayuki Onishi
Data Mining with R algae bloom case
Data Mining with R algae bloom case
Tadayuki Onishi
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
Weitere ähnliche Inhalte
Andere mochten auch
サーバ異常検知入門
サーバ異常検知入門
mangantempy
Tokyor16
Tokyor16
Daisuke Ichikawa
3次元のデータをグラフにする(Tokyo.R#17)
3次元のデータをグラフにする(Tokyo.R#17)
Takumi Tsutaya
Rデバッグあれこれ
Rデバッグあれこれ
Takeshi Arabiki
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
Kosei ABE
Tokyo webmining 複雑ネットワークとデータマイニング
Tokyo webmining 複雑ネットワークとデータマイニング
Hiroko Onari
Tokyo r18
Tokyo r18
Takashi Minoda
パターン認識 08 09 k-近傍法 lvq
パターン認識 08 09 k-近傍法 lvq
sleipnir002
異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
Yohei Sato
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Yohei Sato
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Takeshi Mikami
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Yahoo!デベロッパーネットワーク
Rて計量経済学入門#tokyo.r.17
Rて計量経済学入門#tokyo.r.17
yuuukioii
Andere mochten auch
(13)
サーバ異常検知入門
サーバ異常検知入門
Tokyor16
Tokyor16
3次元のデータをグラフにする(Tokyo.R#17)
3次元のデータをグラフにする(Tokyo.R#17)
Rデバッグあれこれ
Rデバッグあれこれ
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
Tokyo webmining 複雑ネットワークとデータマイニング
Tokyo webmining 複雑ネットワークとデータマイニング
Tokyo r18
Tokyo r18
パターン認識 08 09 k-近傍法 lvq
パターン認識 08 09 k-近傍法 lvq
異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Rで学ぶ 傾向スコア解析入門 - 無作為割り当てが出来ない時の因果効果推定 -
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Goでヤフーの分散オブジェクトストレージを作った話 Go Conference 2017 Spring
Rて計量経済学入門#tokyo.r.17
Rて計量経済学入門#tokyo.r.17
Mehr von Tadayuki Onishi
はじパタLT3
はじパタLT3
Tadayuki Onishi
そろそろSublime Text 2を熱く語ろうと思う
そろそろSublime Text 2を熱く語ろうと思う
Tadayuki Onishi
はじパタLT2
はじパタLT2
Tadayuki Onishi
はじパタLT Section1
はじパタLT Section1
Tadayuki Onishi
アド部6回発表
アド部6回発表
Tadayuki Onishi
アド部5回発表
アド部5回発表
Tadayuki Onishi
garchfit
garchfit
Tadayuki Onishi
Data Mining with R algae bloom case
Data Mining with R algae bloom case
Tadayuki Onishi
Mehr von Tadayuki Onishi
(8)
はじパタLT3
はじパタLT3
そろそろSublime Text 2を熱く語ろうと思う
そろそろSublime Text 2を熱く語ろうと思う
はじパタLT2
はじパタLT2
はじパタLT Section1
はじパタLT Section1
アド部6回発表
アド部6回発表
アド部5回発表
アド部5回発表
garchfit
garchfit
Data Mining with R algae bloom case
Data Mining with R algae bloom case
Kürzlich hochgeladen
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Kürzlich hochgeladen
(10)
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Tokyo r 10_12
1.
最適化
前編 アレ ソレ コレ @kenchan0130_aki
2.
アレ ソレ コレ RNUOPTだと420000円 も!!
誰でも いま、Rをインストールしていると 最適化問題が 月額料金 0 円∼
3.
自己紹介 • 学部4年生 → 院進学 • 専攻は確率過程、信用リスク •
Java、PHP、R(、Python) • インターンでwebサイトを立ち上げ中
4.
最適化とは • 関数・プログラム・製造物などを最適な状態に近づけ ること
引用:wikipedia 今回の場合、ある制約条件のもとで関数を 最大または最小にする解を探すこと = 最適化問題
5.
さっそくRに用意されている関数を使って
最適化をしてみよう!
6.
関数の最適化を考える
7.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
8.
optimize(optimise)関数 • 一変数関数の最大、最小値を求めることができる • maximum=TRUE
で最大化(デフォルトはFALSE) • 黄金分割探索と逐次放物線補間の組み合わせ
9.
早速使ってみる
10.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
11.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
12.
100 120 140
160 ん?最適化できたのか? fw (x) 80 -40 -20 0 20 40 x
13.
範囲を狭めてもう一度やってみる
14.
どうも初期値に依存す
るのではないか 100 120 140 160 fw (x) 80 -40 -20 0 20 40 x
15.
どうも初期値に依存す
るのではないか 100 120 140 160 fw (x) 80 -40 -20 0 20 40 x
16.
どうも初期値に依存す
るのではないか 100 120 140 160 どうも怪しい fw (x) 80 -40 -20 0 20 40 x
17.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
18.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
19.
100 120 140
160 こうなるべきなんじゃないの? fw (x) 80 -40 -20 0 20 40 x
20.
BFGS法は準ニュートン法 CG法は共役勾配法(メモリー使用量 が少ないため、大規模最適化に使え
る可能性がある) L-BFGS-B法は制約条件を許す準ニュー トン法 optim関数 SANN法はシュミレーテッド・アニー リング法(あまり一般的ではない) • 多変数関数の最大、最小値を求めることができる • control=list( fnscale=(負の値) ) で最大化 • Nelder-Mead、BFGS、CG、L-BFGS-B、SANN法が使える • 一変数に対しても使えなくはないが、既定の手法はう まく動作しない
21.
多変数の最適化ができるなら さっきのoptimizeの初期値を推定できるのでは?
22.
つまり 二変数の最適化であると考えればいいのでは?
23.
ということで、やってみた
24.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
25.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
26.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40 キタコレ
27.
ちなみに、optim関数で推定した値は
28.
optim関数 • Nelder-mead、SANN法は、微分できない関数にも使用 でき、初期値にそこまで敏感ではない • 上記の手法で得られた値を使用して、BFGS、CG法を 使ってみるのも有
29.
SANN法を使って一変数の最適化をやってみる
30.
31.
得られた値を使用してBFGS法を試してみる
32.
33.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
34.
たの か?
optim関数 に最 が求 適解 まっ 本当 • 原則として局所的最適値しか見つけられない • 計算における数値誤差もあったりする • 変数の数が多くなればなるほど、推定は難しくなる
35.
nlm関数 • ニュートン法タイプのアルゴリズムを用いて関数を最 小化 • 最大化したい場合は
関数の戻り値 ×(−1) • r-help記事によるとoptim関数より、しばしば良い結果を 与えるらしい
36.
いい結果がでるならやるしかない
37.
$codeが 1,2なら成功 3,4,5,6なら失敗
38.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
39.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
40.
160 どうもnlm関数は初期値周りの
140 最小値を探しているみたい 120 fw (x) 100 80 -40 -20 0 20 40 x
41.
nlminb関数 • PORTルーチンを用いた最小化関数 • 最大化したい場合は
関数の戻り値 ×(−1) • に包まれ(てしまっ)た最適化関数
42.
43.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
44.
fw (x)
80 100 120 140 160 -40 -20 x 0 20 40
45.
160 ほぼ初期値の値が返ってきてしまう
140 120 fw (x) 100 80 -40 -20 0 20 40 x
46.
まとめ • 非線形関数の最適化を行ってきた • 用途に応じて最適化関数は使い分ける必要有 •
初期値選びで最適化が左右される • 関数が動いたからと言ってそれが最適解とは限らない
47.
参考文献 • RjpWiki
- 関数の最大・最小化 • http://www.okada.jp.org/RWiki/?%B4%D8%BF%F4%A4%CE%BA%C7%C2%E7%A1%A6%BA%C7%BE%AE%B2%BD • R基本統計関数マニュアル • http://cran.r-project.org/doc/contrib/manuals-jp/Mase-Rstatman.pdf • Stefano M. Iacus (2011) - Option Pricing and Estimation of Financial Models with R
Jetzt herunterladen