SlideShare a Scribd company logo
1 of 50
Download to read offline
R で AHP

@soultoru 小林達
自己紹介

●
 会場隣のビルの SIer に勤務
●
 サーバ構築自動化と性能問題解
決が業務
    ●
        最近負荷テスト自動化ツール作ってます
今日は仕事とは関係ない話です
●
突然ですが
少し質問します。
問 1.
 次に引っ越すとしたら、
どの地域にしましょうか?
問2 .
数あるプログラミング言語か
ら、なぜ R を選びましたか?
問3 .
 明日は恋人とデートです。
どこで食事をしましょうか。
問4 .
  あなたは防衛相です。
次期主力戦闘機の機種選定を
    してください。
ここまで質問した問題は
何かを選択する問題でした。
何かを選択する意思決定問題は
ある種の構造を仮定できます。
その仮定のひとつが

AHP (階層分析法)

   です。
AHP で問題を構造化する
引越先
目標          地域選定


       通勤
評価基準         家賃    治安
       距離


代替案    新宿   池袋   品川 ・・・
プログラミング
目標           言語


       統計           コミュニティ
評価基準          熟練度    の活発さ
        lib


代替案    R   Python C++ ・・・
目標          恋人との食事



評価基準   雰囲気    価格     好み



代替案    和食   洋食   中華 ・・・
次期主力機
目標               選定


                               国内企業
評価基準    性能         経費           参画




代替案    F-35   EF-2000   F/A-18E/F   ・・・
AHP で問題を評価する
一対比較
               引越先
目標            地域選定


         通勤
評価基準           家賃    治安
         距離


 目標を達成するための評価基準の重みを決定する。
代替案      新宿 池袋 品川 ・・・
AHP では評価基準を組にして取り出して比較を行う。
一対比較
               引越先
 目標
  評価基準のもと代替案ごとのの重みを決定する。
              地域選定
ここでも代替案ごとに組にして取り出して比較を行う。


         通勤
評価基準           家賃    治安
         距離


代替案    新宿     池袋   品川 ・・・
一対比較
               引越先
 目標
  評価基準のもと代替案ごとのの重みを決定する。
              地域選定
ここでも代替案ごとに組にして取り出して比較を行う。


         通勤
評価基準           家賃    治安
         距離


代替案    新宿     池袋   品川 ・・・
一対比較
               引越先
 目標
  評価基準のもと代替案ごとのの重みを決定する。
              地域選定
ここでも代替案ごとに組にして取り出して比較を行う。


         通勤
評価基準           家賃    治安
         距離


代替案    新宿     池袋   品川 ・・・
一対比較
              引越先
目標           地域選定


        通勤
評価基準          家賃    治安
        距離


    この例の組では ( 通勤距離、家賃 ) 、
代替案     新宿 池袋 品川 ・・・
  (家賃、治安)、(治安、通勤距離)の3つ
通勤
             家賃      治安
     距離
通勤
     a 1,1   a 1,2   a 1,3
距離

家賃   a 2,1   a 2,2   a 2,3

治安   a 3,1   a 3,2   a 3,3
ここで一対比較行列の要素に
       以下の仮定を行う。
         wi           1 1 1 1
 ai , j=    a i , j =( , , , , 1,3,5,7,9)
         wj           9 7 5 3

このとき行列は次のようになる
通勤
                 家賃        治安
     距離
通勤
       1         a 1,2     a 1,3
距離

家賃   1/ a 1,2      1       a 2,3

治安   1/ a 1,3   1/ a 2,3    1
通勤
                 家賃        治安
     距離
通勤
       1         a 1,2     a 1,3
距離

家賃   1/ a 1,2      1       a 2,3

治安   1/ a 1,3   1/ a 2,3    1
AHP で重要度を求める
重要度
              引越先
目標           地域選定


        通勤
評価基準           家賃   治安
        距離


通勤距離、家賃、治安がそれぞれどの程度の重要度か
代替案    新宿 1 で求める 品川 ・・・
        総和   池袋
AHP で重要度を求める方法は
よく知られている方法として
     2 つあります。

      ●
       幾何平均法
    ●
      固有ベクトル法

※ これらの方法がなぜ重要度に相応しいか
      は専門書に任せます
幾何平均法
                            1
                n
   wi =( ∏ j=1 a i , j ) , i=1,. .. , n
                            n




  1        a 1,2    a 1,3
1/ a 1,2    1       a 2,3         かけ算して
                                1/n 乗するだけ
1/ a 1,3 1/ a 2,3    1
固有ベクトル法

 一対比較行列を A として
     Aw=λ max w

 を満たす最大固有値 λ max
の固有ベクトルwを重要度とする
   wは総和1に正規化する
固有ベクトル法の整合性
   下の一対比較行列が与えられたとする


          1     9    1/9
         1/9    1    9
          9    1/9   1
このとき代替案 1> 代替案 2 、代替案 2> 代替案 3
 代替案 3> 代替案 1 と三つどもえになっている
固有ベクトル法の整合性
一対比較行列の整合度を求める方法として以下が
       提案されている。

整合度C.I.=(λ max −n)/(n−1)
                    C.I.>0.1 なら不整合


C.R.: ランダム一対比較行列を作成して整
合度の平均を求めたもの

整合比R.I.=C.I./C.R.   C.R. の基準ってなに
                    かあるのかなあ
R で AHP
群馬大青木先生が
公開したものがあります。
http://aoki2.si.gunma-u.ac.jp/R/AHP.html

   固有ベクトル法で分析できます。
例題
                 自動車の
目標                購入


                         乗り
評価基準   値段       燃費                車格
                         心地


代替案         A        B        C
パッケージの読み込み




source("http://aoki2.si.gunma-u.ac.jp/R/src/AHP.R", encoding="euc-jp")
評価基準の一対比較行列

                   乗り
       値段    燃費          車格
                   心地
 値段    1      3    5     9
 燃費    1/3   1     5     7
乗り心地   1/5   1/5    1    3
 車格    1/9   1/7   1/3   1
評価基準ベクトルの作成




 x <- c(1/3, 1/5, 1/7, 1/5, 1/7, 1/3)
評価基準の一対比較行列

値段において代替案を一対比較

     A       B     C
 A    1      2     3
 B   1/ 2    1     2
 C   1/3    1/ 2   1
評価基準の一対比較行列

燃費において代替案を一対比較

     A   B      C
 A   1   1/5   1/ 2
 B   5   1      7
 C   2   1/7    1
評価基準の一対比較行列

乗り心地において代替案を一対比較

      A      B   C
  A    1     3    2
  B   1/3    1   1/ 2
  C   1/ 2   2    1
評価基準の一対比較行列

車格において代替案を一対比較

     A    B     C
 A   1   1/ 2   1/ 2
 B   2    1      1
 C   2    1      1
R で取り込むにあたり

 評価基準 × 代替案

 の行列にまとめる
評価基準 × 代替案


                 乗り
    値段     燃費           車格
                 心地
A   1/ 2   5     1/3    2
B   1/3    2     1/ 2   2
C   1/ 2   1/7    2     1
評価基準 × 代替案の作成




y <- matrix(c(1/2,1/3,1/2, 5,2,1/7, 1/3,1/2,2, 2,2,1),
                        3, 4)
重要度と整合性の計算




a<-AHP(x, y, labels.x=c(" 値段 ", " 燃費 ", " 乗り心
    地 ", " 車格 "), labels.y=c("A", "B", "C"))
コード全体

source("http://aoki2.si.gunma-u.ac.jp/R/src/AHP.R",
encoding="euc-jp")

x <- c(1/3, 1/5, 1/7, 1/5, 1/7, 1/3)
y <- matrix(c(1/2,1/3,1/2, 5,2,1/7, 1/3,1/2,2, 2,2,1), 3, 4)
a<-AHP(x, y, labels.x=c(" 値段 ", " 燃費 ", " 乗り心地 "
   , " 車格 "), labels.y=c("A", "B", "C"))

print(a)
plot(a)
時間があったらデモします。
おさらい

●
  AHP の紹介
●
  R で AHP の重要度を計算する方法


●
  AHP はちょっとした意思決定から政策決定まで様々に使えます。
●
  複数人で利用して合意形成に使ったりも
参考文献
AHP 概要
●

    ●   http://ja.wikipedia.org/wiki/%E9%9A%8E
        %E5%B1%A4%E5%88%86%E6%9E%90%E6%B3%95
AHP パッケージ
●

    ●   http://aoki2.si.gunma-u.ac.jp/R/AHP.html
ちょっと細かい話
●

    ●   http://www.orsj.or.jp/~wiki/wiki/index.php/
事例
●

    ●
        企業・行政のための AHP 事例集 木下 栄蔵 , 大屋 隆生
    ●
        AHP 事例集―階層化意思決定法 刀根 薫 , 真鍋 龍太郎
固有ベクトル法の証明 ( 確か乗っていたはず )
●

    ●
        関谷和之 ( 林栄蔵編 ): "AHP の理論と実践 第 7 章 AHP と固有値問題 " 日
        科技連 . 20 (2000)

More Related Content

What's hot

強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい
強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい
強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたいTakuma Wakamori
 
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...ddnpaa
 
動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類Tsubasa Hirakawa
 
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB ImagesDeep Learning JP
 
【論文紹介】 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...
【論文紹介】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...【論文紹介】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...
【論文紹介】 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...ddnpaa
 
言語モデル入門 (第二版)
言語モデル入門 (第二版)言語モデル入門 (第二版)
言語モデル入門 (第二版)Yoshinari Fujinuma
 
サーベイ論文:画像からの歩行者属性認識
サーベイ論文:画像からの歩行者属性認識サーベイ論文:画像からの歩行者属性認識
サーベイ論文:画像からの歩行者属性認識Yasutomo Kawanishi
 
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual FeaturesARISE analytics
 
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)Masaya Kaneko
 
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
 
[DL輪読会]Diffusion-based Voice Conversion with Fast Maximum Likelihood Samplin...
[DL輪読会]Diffusion-based Voice Conversion with Fast  Maximum Likelihood Samplin...[DL輪読会]Diffusion-based Voice Conversion with Fast  Maximum Likelihood Samplin...
[DL輪読会]Diffusion-based Voice Conversion with Fast Maximum Likelihood Samplin...Deep Learning JP
 
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...yukihiro domae
 
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識Hironobu Fujiyoshi
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII
 
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか西岡 賢一郎
 
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列Toru Tamaki
 
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算sleepy_yoshi
 
2019年度チュートリアルBPE
2019年度チュートリアルBPE2019年度チュートリアルBPE
2019年度チュートリアルBPE広樹 本間
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)Toru Tamaki
 
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組みHironori Washizaki
 

What's hot (20)

強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい
強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい
強化学習初心者が強化学習でニューラルネットワークの設計を自動化してみたい
 
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...
【論文紹介】 Attention Based Spatial-Temporal Graph Convolutional Networks for Traf...
 
動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類
 
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
[DL輪読会]Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
 
【論文紹介】 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...
【論文紹介】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...【論文紹介】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...
【論文紹介】 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Acti...
 
言語モデル入門 (第二版)
言語モデル入門 (第二版)言語モデル入門 (第二版)
言語モデル入門 (第二版)
 
サーベイ論文:画像からの歩行者属性認識
サーベイ論文:画像からの歩行者属性認識サーベイ論文:画像からの歩行者属性認識
サーベイ論文:画像からの歩行者属性認識
 
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
 
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
 
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
 
[DL輪読会]Diffusion-based Voice Conversion with Fast Maximum Likelihood Samplin...
[DL輪読会]Diffusion-based Voice Conversion with Fast  Maximum Likelihood Samplin...[DL輪読会]Diffusion-based Voice Conversion with Fast  Maximum Likelihood Samplin...
[DL輪読会]Diffusion-based Voice Conversion with Fast Maximum Likelihood Samplin...
 
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
 
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
 
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか
 
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列
 
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
 
2019年度チュートリアルBPE
2019年度チュートリアルBPE2019年度チュートリアルBPE
2019年度チュートリアルBPE
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
 
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
機械学習デザインパターンおよび機械学習システムの品質保証の取り組み
 

Viewers also liked

セイバーメトリクス
セイバーメトリクスセイバーメトリクス
セイバーメトリクスMitsuo Shimohata
 
Fluentd,mongo db,rでお手軽ログ解析環境
Fluentd,mongo db,rでお手軽ログ解析環境Fluentd,mongo db,rでお手軽ログ解析環境
Fluentd,mongo db,rでお手軽ログ解析環境Michitaka Iida
 
Collaborativefilteringwith r
Collaborativefilteringwith rCollaborativefilteringwith r
Collaborativefilteringwith rTeito Nakagawa
 
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」Nagi Teramo
 
Rでコンジョイント分析
Rでコンジョイント分析Rでコンジョイント分析
Rでコンジョイント分析osamu morimoto
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」Nagi Teramo
 
Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Yohei Sato
 
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版Beckett Hsieh
 
推定と標本抽出
推定と標本抽出推定と標本抽出
推定と標本抽出山津 貴之
 
Doradora09 lt tokyo_r33
Doradora09 lt tokyo_r33Doradora09 lt tokyo_r33
Doradora09 lt tokyo_r33Nobuaki Oshiro
 
ニコニコ動画タグネットワーク
ニコニコ動画タグネットワークニコニコ動画タグネットワーク
ニコニコ動画タグネットワークTeruki Shinohara
 
社会的決定とAHP
社会的決定とAHP社会的決定とAHP
社会的決定とAHPYosuke Onoue
 

Viewers also liked (20)

セイバーメトリクス
セイバーメトリクスセイバーメトリクス
セイバーメトリクス
 
Fluentd,mongo db,rでお手軽ログ解析環境
Fluentd,mongo db,rでお手軽ログ解析環境Fluentd,mongo db,rでお手軽ログ解析環境
Fluentd,mongo db,rでお手軽ログ解析環境
 
Collaborativefilteringwith r
Collaborativefilteringwith rCollaborativefilteringwith r
Collaborativefilteringwith r
 
R3.0.0 is relased
R3.0.0 is relasedR3.0.0 is relased
R3.0.0 is relased
 
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
 
Ahp presentation
Ahp presentationAhp presentation
Ahp presentation
 
Tokyo r33 beginner
Tokyo r33 beginnerTokyo r33 beginner
Tokyo r33 beginner
 
Rでコンジョイント分析
Rでコンジョイント分析Rでコンジョイント分析
Rでコンジョイント分析
 
Tokyo r30 beginner
Tokyo r30 beginnerTokyo r30 beginner
Tokyo r30 beginner
 
外れ値
外れ値外れ値
外れ値
 
Tokyo r30 anova
Tokyo r30 anovaTokyo r30 anova
Tokyo r30 anova
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
 
Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門
 
R-3.0.0でGLM
R-3.0.0でGLMR-3.0.0でGLM
R-3.0.0でGLM
 
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版
一日學會層級分析法(AHP)與網路層級分析法(ANP)-許旭昇-2014版
 
推定と標本抽出
推定と標本抽出推定と標本抽出
推定と標本抽出
 
ESS
ESSESS
ESS
 
Doradora09 lt tokyo_r33
Doradora09 lt tokyo_r33Doradora09 lt tokyo_r33
Doradora09 lt tokyo_r33
 
ニコニコ動画タグネットワーク
ニコニコ動画タグネットワークニコニコ動画タグネットワーク
ニコニコ動画タグネットワーク
 
社会的決定とAHP
社会的決定とAHP社会的決定とAHP
社会的決定とAHP
 

Similar to RでAHP

ロジスティック回帰入門
ロジスティック回帰入門ロジスティック回帰入門
ロジスティック回帰入門y-uti
 
あなたの心にBridgeSampling
あなたの心にBridgeSamplingあなたの心にBridgeSampling
あなたの心にBridgeSamplingdaiki hojo
 
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent AlignmentsDeep Learning JP
 
Risk based portfolio with large dynamic covariance matrices
Risk based portfolio with large dynamic covariance matricesRisk based portfolio with large dynamic covariance matrices
Risk based portfolio with large dynamic covariance matricesKei Nakagawa
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門joisino
 
[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging
[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging
[The Elements of Statistical Learning]Chapter8: Model Inferennce and AveragingYu Otsuka
 
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習HiroyukiTerada4
 
[DSO] Machine Learning Seminar Vol.2 Chapter 3
[DSO] Machine Learning Seminar Vol.2 Chapter 3[DSO] Machine Learning Seminar Vol.2 Chapter 3
[DSO] Machine Learning Seminar Vol.2 Chapter 3Teruyuki Sakaue
 

Similar to RでAHP (8)

ロジスティック回帰入門
ロジスティック回帰入門ロジスティック回帰入門
ロジスティック回帰入門
 
あなたの心にBridgeSampling
あなたの心にBridgeSamplingあなたの心にBridgeSampling
あなたの心にBridgeSampling
 
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
 
Risk based portfolio with large dynamic covariance matrices
Risk based portfolio with large dynamic covariance matricesRisk based portfolio with large dynamic covariance matrices
Risk based portfolio with large dynamic covariance matrices
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging
[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging
[The Elements of Statistical Learning]Chapter8: Model Inferennce and Averaging
 
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
 
[DSO] Machine Learning Seminar Vol.2 Chapter 3
[DSO] Machine Learning Seminar Vol.2 Chapter 3[DSO] Machine Learning Seminar Vol.2 Chapter 3
[DSO] Machine Learning Seminar Vol.2 Chapter 3
 

More from Tohru Kobayashi

IBM Watson Visual Recognition を紹介するよ
IBM Watson Visual Recognition を紹介するよIBM Watson Visual Recognition を紹介するよ
IBM Watson Visual Recognition を紹介するよTohru Kobayashi
 
怠惰な私がプログラミングするときに重要だと考えているたった1つのこと
怠惰な私がプログラミングするときに重要だと考えているたった1つのこと怠惰な私がプログラミングするときに重要だと考えているたった1つのこと
怠惰な私がプログラミングするときに重要だと考えているたった1つのことTohru Kobayashi
 
○○でかんたんお部屋探し!
○○でかんたんお部屋探し!○○でかんたんお部屋探し!
○○でかんたんお部屋探し!Tohru Kobayashi
 

More from Tohru Kobayashi (6)

IBM Watson Visual Recognition を紹介するよ
IBM Watson Visual Recognition を紹介するよIBM Watson Visual Recognition を紹介するよ
IBM Watson Visual Recognition を紹介するよ
 
Jubatus使ってみた
Jubatus使ってみたJubatus使ってみた
Jubatus使ってみた
 
怠惰な私がプログラミングするときに重要だと考えているたった1つのこと
怠惰な私がプログラミングするときに重要だと考えているたった1つのこと怠惰な私がプログラミングするときに重要だと考えているたった1つのこと
怠惰な私がプログラミングするときに重要だと考えているたった1つのこと
 
○○でかんたんお部屋探し!
○○でかんたんお部屋探し!○○でかんたんお部屋探し!
○○でかんたんお部屋探し!
 
20121205 jjbug
20121205 jjbug20121205 jjbug
20121205 jjbug
 
RをAWSで使おう
RをAWSで使おうRをAWSで使おう
RをAWSで使おう
 

RでAHP