Submit Search
Upload
多変量解析
•
Download as PPTX, PDF
•
10 likes
•
14,569 views
Y
Yoshihiro_Handa
Follow
Multivariate analysis
Read less
Read more
Education
Report
Share
Report
Share
1 of 18
Download now
Recommended
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
正準相関分析
正準相関分析
Akisato Kimura
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
敵対的学習に対するラデマッハ複雑度
敵対的学習に対するラデマッハ複雑度
Masa Kato
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Recommended
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
正準相関分析
正準相関分析
Akisato Kimura
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
敵対的学習に対するラデマッハ複雑度
敵対的学習に対するラデマッハ複雑度
Masa Kato
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
R seminar on igraph
R seminar on igraph
Kazuhiro Takemoto
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方
Sayuri Shimizu
MICの解説
MICの解説
logics-of-blue
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
Rの高速化
Rの高速化
弘毅 露崎
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
yutannihilation
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
Hiroyuki Muto
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
inspirehighstaff03
More Related Content
What's hot
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
R seminar on igraph
R seminar on igraph
Kazuhiro Takemoto
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方
Sayuri Shimizu
MICの解説
MICの解説
logics-of-blue
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
Rの高速化
Rの高速化
弘毅 露崎
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
yutannihilation
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
Hiroyuki Muto
What's hot
(20)
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
R seminar on igraph
R seminar on igraph
2 3.GLMの基礎
2 3.GLMの基礎
ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方
MICの解説
MICの解説
Kaggleのテクニック
Kaggleのテクニック
Stanでガウス過程
Stanでガウス過程
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
社会心理学とGlmm
社会心理学とGlmm
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
Rの高速化
Rの高速化
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
Recently uploaded
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
inspirehighstaff03
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
Ken Fukui
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
Ken Fukui
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
inspirehighstaff03
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
inspirehighstaff03
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
inspirehighstaff03
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
Recently uploaded
(20)
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
多変量解析
1.
多変量解析 半田佳宏 2015/06/07
2.
モチベーション 多次元(例:多パラメーター)を より少ない指標を使って、 人間に新たな解釈を与える
3.
高次元のデータセットの取り扱い その1 クラスタリングによる分類 A B C D E F G H 8 プロファイル
→ 3 クラスター
4.
高次元のデータセットの取り扱い その2 多変量のデータセットのパラメーター数を減らす(次元圧縮) Gene A Gene
B Gene C Gene D Gene E Gene F
5.
高次元のデータセットの取り扱い その3 環境条件(温度、pH、Nなど)が異なる複数地点における 環境条件と群集構造の関係を知りたい Species C Species B Species A 地点I Species D Species B Species A 地点O
6.
いろいろな多変量分析 Linear Unimodal Un-constrained 主成分分析 Principle Component Analysis
(PCA) 対応分析 Correspondence Analysis (CA) Constrained 冗長性分析 Redundancy Analysis (RDA) 正準対応分析 Canonical Correspondence Analysis (CCA) Un-constrained: 次元圧縮、要約、クラスタリング (その1や2の場合) Constrained: ある多変量データを他の多変量データで説明したい(その3の場合) Linear: 変数間の関係が直線型(Axis lengths<4) Unimodal:変数間の関係が山型(Axis lengths>4)
7.
まず、自分のサンプルがLinear / Unimodalなのか知る 直線的な関係
単変量な山型の関係 環境傾度 環境傾度 種のrichness 種のrichness →除歪対応分析:Detrended Correspondence Analysis (DCA)を行う (Axis lengths<4) (Axis lengths>4)
8.
デモデータ[1]: Veganパッケージに入っているデモデータを使用
9.
Rを用いた除歪対応分析 #ライブラリーの読み込み library(vegan) #生物種データの読み込み data(varespec) #DCA計算 decorana(varespec) Axis lengthが4以下なので、種の豊富さは、環境傾度と直線的な関係であると言える
10.
主成分分析(PCA) #ライブラリーの読み込み library(vegan) #生物種データの読み込み data(varespec) #PCA計算 vare.pca <- rda(varespec) #統計値の出力 vare.pca #figureの出力 plot(vare.pca)
11.
冗長性分析(RDA) #ライブラリーの読み込み library(vegan) #生物種データの読み込み data(varespec) #環境データの読み込み data(varechem) #RDA計算 vare.rda <- rda(X=varespec,
Y=varechem, scale=TRUE) #統計値の出力 vare.rda #figureの出力 plot(vare.rda)
12.
デモデータ[2]: Analyzing Ecological Data
(2007)のData and R code for Chapter 12. (事前にすべての地点で種数が0.00のデータを取り除く必要がある。)
13.
Rを用いた除歪対応分析 library(vegan) RIKZ <- read.table("RIKZGroups.txt",
header = TRUE) Species <- RIKZ[,2:5] decorana(Species) Axis lengthが4以下なので、種の豊富さは、環境傾度と直線的な関係であると言える
14.
主成分分析(PCA) library(vegan) data(Species) vare.pca <- rda(Species) vare.pca plot(vare.pca)
15.
冗長性分析(RDA) library(vegan) RIKZ <- read.table("RIKZGroups.txt",
header = TRUE) Species <- RIKZ[,2:5] I1 <- rowSums(Species) ExplVar <- RIKZ[, c("angle1","exposure","salinity", "temperature","NAP","penetrability", "grainsize","humus","chalk", "sorting1")] Species.sq <- sqrt(Species) RIKZ_RDA<-rda(Species.sq, ExplVar, scale=T) plot(RIKZ_RDA, scaling=2, type="n") segments(x0=0, y0=0, x1=scores(RIKZ_RDA, display="species", scaling=2)[,1], y1=scores(RIKZ_RDA, display="species", scaling=2)[,2]) text(RIKZ_RDA, display="sp", scaling=2, col=2) text(RIKZ_RDA, display="bp", scaling=2, row.names(scores(RIKZ_RDA, display="bp")), col=3) points(RIKZ_RDA, display="lc", scaling=2, pch=19)
16.
その他の解析方法
17.
正準対応分析 (CCA) #ライブラリーの読み込み library(vegan) #生物種データの読み込み data(varespec) #環境データの読み込み data(varechem) #CCA計算 vare.cca <-
cca(X=varespec, Y=varechem, scale=TRUE) #統計値の出力 vare.cca #figureの出力 plot(vare.cca)
18.
その他の多変量解析 • Nonmetrical Multidimensional
Scaling (NMD/NMDS) • クラスター解析 • 判別分析 • 数量化理論
Download now