CRAN Rパッケージ BNSLの概要
•Télécharger en tant que PPTX, PDF•
14 j'aime•3,123 vues
AMBN2017 サテライトワークショップ
Recommandé
Contenu connexe
Tendances
Tendances (20)
Plus de Joe Suzuki
Plus de Joe Suzuki (20)
CRAN Rパッケージ BNSLの概要
- 1. RパッケージBNSLの概要 @ AMBN 2017 サテライトワークショップ 2017年9月19日 鈴木譲 (大阪大学)
- 2. 本日のお話の手順 • ベイジアンネットワークの構造学習 • 無向森の構造学習 (離散) • 無向森の構造学習 (連続) • 応用例 • よくある質問 • 他ツールとの比較 • まとめと今後の課題
- 3. ベイジアンネットワークの構造学習 Bayesian Network Structure Learning (BNSL) データフレーム 構造 p=3のとき
- 4. 森の構造学習 Forest Structure Learning (FSL) データフレーム 構造 p=3のとき
- 5. BNSLの基本的な使い方(1): 離散 BN library(BNSL) g=bnsl(asia) plot(g) ASIA (Lauritzen 1996) p=8 変数 意味 (Yes/No) Asia 最近アジアに行った Smoking 常習喫煙者 Tuberculosis 結核 Lung Cancer 肺がん Bronchitis 気管支炎 E T(結核)またはL(肺がん)の論理和 Chest X-ray 肺の X 線撮影での異常 Dyspnoea 呼吸困難
- 7. 統計学: データから正しい構造を推定 • サンプル数 nが大きいときに、正しい構造を推定 BN＝分布データ 推定 乱数発生
- 8. ベイズ統計学: データのもとでの事後確率最大化 P(構造|データ) = P(構造) 𝑃 データ 構造, パラメータ 𝑃(パラメータ|構造)𝑑パラメータ パラメータを周辺化した事後確率 構造 (1)-(11)のどれか パラメータ 各部分の条件付き確率 構造の事前確率 パラメータの事前確率 事前確率としては、標準的なもの
- 10. BNSLの高速化の検討 アプローチ 現状 将来 (1年以内) 分枝限定法 (最適な構造) ICML-96、UAI-17 通常の方法より10倍速い PCで1時間以内に nを定数として、pの多項式時間 ヒューリスティック (近似) 親集合の個数を制限 構造の探索のしかたを制限 やり方は無数にある {D,X}は、 Eの親集合 BNではなく、事後確率を最大にする森を求める
- 11. 高速化のためにRcppを適用 • Rでプログラミングするより、50-100倍高速 • C++で関数を構築して、Rから呼び出す Rにはポインタがない。RcppではRの関数が使えない R, C++を知っていても、インターフェイスになれるのに 若干時間がかかる
- 13. BNSLの基本的な使い方(2): 離散 森 library(BNSL) df=alarm mm=mi_matrix(df) edge.list=kruskal(mm) g=graph_from_edgelist(edge.list, directed=FALSE) V(g)$label <- colnames(df) plot(g,vertex.size=20.0) (デモだけやって、プログラムはあとで)
- 14. データ -> 相互情報量の推定値 -> 森 (Chow-Liu, Kruskal) 分布が森で表現されることを仮定 相互情報量の推定値大きいものから、 ループができない限り、辺を結んでいく
- 17. 独立性を検知できる推定量 (Suzuki 93) (負のときは0とする) Suzuki 93を用いると、事後確率最大の森が生成される
- 18. Rパッケージ BNSLの主な関数 関数名 機能 mi 相互情報量の推定 mi_matrix データフレームから相互情報量の推定量の行列を生成 cmi 条件付き相互情報量の推定 kruskal Chow-Liuアルゴリズムの実行で必要 parent_set ベイジアンネットワーク構築の親集合 bnsl ベイジアンネットワークの→の向き、変数の順序を決定 mi(x, y, proc=0) 等しい長さのベクトルx,yから、相互情報量を推定。 Jeffreys’ (proc=0), MDL (proc=1), 最尤 (proc=9), 連続を含む (proc=10)
- 19. BNSLの基本的な使い方(3): 連続 森 library(BNSL) df=read.csv("nikkei225-2.csv")[,1:30] m=nrow(df)-1 # 2015年の営業日数-1 differ=df[1:m,] for(i in 1:m)differ[i,]=df[i+1,]-df[i,] mm=mi_matrix(differ, proc=10) edge.list=kruskal(mm) g=graph_from_edgelist(edge.list, directed=FALSE) V(g)$label <- colnames(df) plot(g,vertex.size=10.0)
- 20. 日経225銘柄の前日との差分 • PCでの実行時間: 3時間 • 離散でも連続でもない (整数値だが、取りうる値が多い) 有限個とみるのも、連続値の正規分布とみるのも難しい
- 21. quantmodパッケージ (金融データ処理) Install.packages(“quantmod”)以外に、install.packages(“XML”)が必要 通常のAPIとは異なり、webで公開されているデータを獲得している (RFinanceYJ パッケージは、バグが多い) Wouter Thielen さん getSymbols.yahooj 担当者 (東京在住) Joshua Ulrich さん Quantmod パッケージ 責任者 (米国在住)
- 22. 時系列のクラスxtsのオブジェクトが得られる 始値 最高値 終値最安値 取引高 調整値
- 29. 1: 2158 UBIC 2: 2389 オプト 3: 3622 ネットイヤー 4: 3655 ブレインパッド 5: 3680 ホットリンク 6: 3905 データセクション 7: 3906 ALBERT 8: 6031 サイジニア 8社の株値の関連性を森で表すと
- 31. mi(x,y proc=10)の動作 (Suzuki,16) X, Y ともに等頻度の分割表ができる Xを等頻度に分割 Yを等頻度に分割 X,Yは離散でも連続でもよいが、区切って頻度を数える 相互情報量の推定量 𝐽 𝑛を計算 いろいろなサイズの分割表を生成して、 𝐽 𝑛の最大値を計算 連続値は、量子化される
- 33. データセット(連続) • 日経225銘柄 (2015年4月-2016年3月)の終値 (前日との差分をとったもの、年間データのない2社を除く) nikkei225-2.csv • 乳がん患者の遺伝子発現データ (p51遺伝子をもつサンプル192個、もたないサンプル58個) breastcancer.csv
- 34. ゲノム解析への応用 (1) Int. J. Approximate Reasoning, 2016 青: p値の大きな遺伝子 赤: 症例/対照 1000個の連続変量 １個の2値変量 乳がん患者の遺伝子発現データ (p51遺伝子をもつサンプル192個、 もたないサンプル58個)
- 36. ゲノム解析への応用 (2) Int. J. Approximate Reasoning, 2016 青: 遺伝子発現量 赤: SNP (3値)
- 39. 多い質問(2): スコアとして、BDeu, MDL, AICのどれがいいのですか どれが良いかは、データによる。ちまたにあふれたガセを信じべからず • MDLは、事後確率最大の近似解 • AICは、他のと比べると、過学習で枝が多くなる • BDeuは、デファクトに近い待遇をうけてきたが、 • 致命的な性質が証明された (Suzuki 2017) 少ないサンプルでも枝が多くなる。 使われなくなると予想。
- 40. 他ツールとの比較 (自己評価) bnlearn BayoLink BNSL 連続 △ ☓ ◯ 研究の最先端 ☓ ☓ ◎ 大規模な BNの構造学習 近似を許して、大規 模な処理を行う 近似を許して、大規 模な処理を行う 最適解が求まる場 合しか動かない ユーザ数 ◎ ◯ △ 価格 無料 (Rパッケージ) 有料 無料 (Rパッケージ) グラフィック △ ◎ ☓