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

EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...
EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...
EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...Kazuyuki Miyazawa
 
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心takehikoihayashi
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -tmtm otm
 
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれRで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれHiroshi Shimizu
 
グラフィカルモデル入門
グラフィカルモデル入門グラフィカルモデル入門
グラフィカルモデル入門Kawamoto_Kazuhiko
 
初めてのグラフカット
初めてのグラフカット初めてのグラフカット
初めてのグラフカットTsubasa Hirakawa
 
非ガウス性を利用した 因果構造探索
非ガウス性を利用した因果構造探索非ガウス性を利用した因果構造探索
非ガウス性を利用した 因果構造探索Shiga University, RIKEN
 
はじめての機械学習
はじめての機械学習はじめての機械学習
はじめての機械学習Taiji Suzuki
 
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像yaju88
 
Bayesian Neural Networks : Survey
Bayesian Neural Networks : SurveyBayesian Neural Networks : Survey
Bayesian Neural Networks : Surveytmtm otm
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII
 
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge LearningDeep Learning JP
 
Dynamic panel in tokyo r
Dynamic panel in tokyo rDynamic panel in tokyo r
Dynamic panel in tokyo rShota Yasui
 
ICML 2020 最適輸送まとめ
ICML 2020 最適輸送まとめICML 2020 最適輸送まとめ
ICML 2020 最適輸送まとめohken
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!TransformerArithmer Inc.
 
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)Teppei Kurita
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Takashi J OZAKI
 

What's hot (20)

EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...
EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...
EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monoc...
 
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
 
AdaFace(CVPR2022)
AdaFace(CVPR2022)AdaFace(CVPR2022)
AdaFace(CVPR2022)
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
 
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれRで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
 
グラフィカルモデル入門
グラフィカルモデル入門グラフィカルモデル入門
グラフィカルモデル入門
 
初めてのグラフカット
初めてのグラフカット初めてのグラフカット
初めてのグラフカット
 
非ガウス性を利用した 因果構造探索
非ガウス性を利用した因果構造探索非ガウス性を利用した因果構造探索
非ガウス性を利用した 因果構造探索
 
はじめての機械学習
はじめての機械学習はじめての機械学習
はじめての機械学習
 
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
 
Bayesian Neural Networks : Survey
Bayesian Neural Networks : SurveyBayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
 
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
[DL輪読会]EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
 
Dynamic panel in tokyo r
Dynamic panel in tokyo rDynamic panel in tokyo r
Dynamic panel in tokyo r
 
ICML 2020 最適輸送まとめ
ICML 2020 最適輸送まとめICML 2020 最適輸送まとめ
ICML 2020 最適輸送まとめ
 
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!Transformer
 
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
 
画像処理応用
画像処理応用画像処理応用
画像処理応用
 
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
 

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