close
1.

図書

図書
辻谷將明, 竹澤邦夫著
出版情報: 東京 : 共立出版, 2009.6  ix, 233p ; 26cm
シリーズ名: Rで学ぶデータサイエンス / 金明哲編集 ; 6
所蔵情報: loading…
2.

図書

東工大
目次DB

図書
東工大
目次DB
中村永友著
出版情報: 東京 : 共立出版, 2009.8  xiii, 248p ; 26cm
シリーズ名: Rで学ぶデータサイエンス / 金明哲編集 ; 2
所蔵情報: loading…
目次情報: 続きを見る
第1章 統計学の基礎的事項 1
   1.1 多次元データ解析法の分類 1
   1.2 データの形式 1
   1.3 尺度 3
   1.4 データの要約 3
    1.4.1 統計量 3
    1.4.2 散布図,相関係数 4
    1.4.3 クロス集計表 5
   1.5 期待値と分散 6
   1.6 正規分布 7
   1.7 統計的仮説検定 8
   1.8 最尤法 10
   参考文献 12
第2章 Rの基礎的コマンド 13
   2.1 Rの超基礎的事項 13
    2.1.1 データの入力 13
    2.1.2 データの修正 16
    2.1.3 データの出力・保存 16
    2.1.4 オブジェクトへの代入とコンソールへの表示 17
    2.1.5 データの生成 18
   2.2 Rによる基本統計量の計算 20
    2.2.1 基本演算・四則演算・行列の演算 20
    2.2.2 平均・分散・共分散・相関係数・クロス集計 22
    2.2.3 ヒストグラム,散布図 23
   2.3 オブジェクトというものの考え方 24
   2.4 さらに学ぶために 24
   参考文献 25
第3章 線形回帰モデル 26
   3.1 はじめに : 回帰モデルとは 26
   3.2 単回帰モデルのパラメータ推定の考え方 26
   3.3 残差の検討 29
    3.3.1 残差の仮定 29
    3.3.2 残差分析 30
    3.3.3 はずれ値 31
    3.3.4 系列相関 32
   3.4 変数変換 32
   3.5 重回帰モデル 33
    3.5.1 重回帰モデルとそのパラメータ推定 33
    3.5.2 多項式回帰モデル 34
    3.5.3 重回帰モデルの行列表記によるパラメータ推定 35
   3.6 モデルのあてはまりの良さ 37
    3.6.1 重相関係数 37
    3.6.2 決定係数 37
    3.6.3 自由度修正済み決定係数 38
    3.6.4 回帰モデルの評価の視点 40
   3.7 モデルの選択(説明変数の選択) 40
   3.8 Rによる演習 41
    3.8.1 電子部品データ : 単回帰モデル 42
    3.8.2 自動車データ : 単回帰モデル 44
    3.8.3 体格データ : 重回帰モデル(モデルのあてはめと変数選択) 45
    3.8.4 キバハリアリデータ : 重回帰モデル1(ステップワイズな変数選択) 47
    3.8.5 キバハリアリデータ : 重回帰モデル2(総当たり法による変数選択) 50
   3.9 さらに学ぶために 51
   参考文献誌 51
第4章 判別分析法 53
   4.1 はじめに : 判別の問題とは 53
   4.2 判別の考え方 : 1変数2群を例に 53
    4.2.1 判別方式 53
    4.2.2 平均と分散の推定を基礎とする判別方式 54
    4.2.3 誤判別率 55
   4.3 線形判別 : 2変数2群 56
    4.3.1 2変数2群での考え方 56
    4.3.2 群間分散 58
    4.3.3 群内分散 58
    4.3.4 分散比 59
    4.3.5 判別関数の導出 59
   4.4 p変数2群の判別 63
   4.5 ベクトルと行列による表示 64
   4.6 尤度に基づく判別 65
    4.6.1 1変数2群の判別 65
    4.6.2 誤判別率 67
    4.6.3 p変数2群の線形判別 68
    4.6.4 構成比率が異なるとき 69
   4.7 2次判別関数 70
   4.8 Rによる演習 72
    4.8.1 入社試験データ : 線形判別 73
    4.8.2 スイス銀行紙幣真贋データ : 線形判別と2次判別 75
   4.9 さらに学ぶために 78
   参考文献 78
第5章 ロジスティック回帰モデル 79
   5.1 はじめに 79
   5.2 ロジスティックモデル : モデルの考え方 80
    5.2.1 反応が2値 80
    5.2.2 反応が確率のとき 82
   5.3 多重ロジスティック回帰モデル 82
   5.4 ロジスティック回帰モデルのパラメータ推定 84
   5.5 Rによる演習 85
    5.5.1 殺虫剤データ 85
    5.5.2 スペースシャトル・O-Ringデータ 86
   5.6 さらに学ぶために 89
   参考文献 89
第5章 主成分分析法 91
   6.1 はじめに : 主成分分析法とは 91
   6.2 主成分の導出 93
    6.2.1 主成分の導出の考え方 93
    6.2.2 第1主成分の導出 94
    6.2.3 第2主成分の導出 96
    6.2.4 主成分導出方法のまとめ 97
    6.2.5 p変数の主成分の導出 98
   6.3 標本相関係数行列からの主成分の導出 99
   6.4 主成分の寄与率と累積寄与率 100
   6.5 主成分得点 101
   6.6 主成分負荷量 102
   6.7 主成分分析の進め方 104
   6.8 主成分の選択 105
   6.9 Rによる演習 105
    6.9.1 体格データ 105
    6.9.2 キバハリアリのデータ 111
    6.9.3 定期試験データ 114
   参考文献 118
第7章 対応分析法 119
   7.1 はじめに 119
   7.2 対応分析法の考え方 119
    7.2.1 質的データのクロス集計表 120
    7.2.2 クロス集計表の行方向の基準化 121
   7.3 基準化されたクロス集計表に対する主成分分析 125
   7.4 Rによる演習 130
    7.4.1 教員評価データ130
    7.4.2 生のデータからの分析 132
   7.5 より深い理解のために 133
    7.5.1 同値な固有方程式 133
    7.5.2 双対性による数量化得点の算出 136
    7.5.3 数量化得点の平均,分散,共分散 138
   7.6 Rによる演習 : 行列とベクトルの直接入力による計算 140
   7.7 さらに学ぶために 142
   参考文献 142
第8章 因子分析法 143
   8.1 はじめに 143
   8.2 因子分析の考え方 143
   8.3 因子分析モデル 147
    8.3.1 基本モデル 147
    8.3.2 制約条件 148
    8.3.3 相関係数行列の分解と共通性 149
    8.3.4 本来の変数と共通因子との相関 150
    8.3.5 因子数の決定 150
    8.3.6 因子負荷量の推定 : 主因子法 151
    8.3.7 因子の回転 153
   8.4 因子得点の推定 154
    8.4.1 バートレットの重み付き最小自乗法 155
    8.4.2 トムソンの回帰推定法 155
   8.5 Rによる演習 155
    8.5.1 定期試験のデータ 156
   8.6 さらに学ぶために 158
   参考文献 158
第9章 正準相関分析法 159
   9.1 はじめに 159
   9.2 正準相関分析法の考え方 159
   9.3 正準変数の定義と導出 160
   9.4 正準相関分析法の解釈と評価 165
    9.4.1 正準負荷量 166
    9.4.2 正準寄与率 167
    9.4.3 冗長性係数 167
   9.5 Rによる演習 169
    9.5.1 長男次男の頭のサイズのデータ 169
    9.5.2 定期試験のデータ 174
   9.6 さらに学ぶために 175
   参考文献 176
第10章 多次元尺度法 177
   10.1 はじめに 177
   10.2 古典的・計量多次元尺度法 177
    10.2.1 計量的多次元尺度法の考え方 177
    10.2.2 推定方式 170
    10.2.3 類似度のとき 183
   10.3 Rによる演習 : 計量多次元尺度法 184
    10.3.1 人工データ 184
    10.3.2 北海道都市間データ : 計量多次元尺度法 185
   10.4 非計量的多次元尺度法 186
   10.5 Rによる演習 : 非計量多次元尺度法 187
    10.5.1 自動車メーカー印象データ 187
    10.5.2 北海道都市間データ : 非計量多次元尺度法 188
   10.6 さらに学ぶために 190
   参考文献 190
第11章 クラスタ 分析法 192
   11.1 はじめに : クラスター分析法とは 192
    11.1.1 統計的分類とは 192
    11.1.2 分類手法の分類 194
   11.2 近さを表す測度 194
    11.2.1 量的データの距離 : 種々の距離,非類似度 194
    11.2.2 質的データの距離 195
   11.3 階層的手法 196
    11.3.1 考え方 196
    11.3.2 種々なクラスタ一間距離 198
    11.3.3 ランスとウィリアムスの組み合わせ的手法 201
    11.3.4 凝集型階層的分類法の更新距離の特徴 202
    11.3.5 階層的手法の注意事項 203
   11.4 Rによる演習 : 階層的手法 206
    11.4.1 各手法の比較 208
    11.4.2 出力の検討 208
    11.4.3 アイリスデータ 210
    11.4.4 スイス銀行紙幣真贋データ 212
   11.5 非階層的手法 213
    11.5.1 分割最適化型分類手法の考え方 213
    11.5.2 κ平均法 215
    11.5.3 クラスター数の評価基準 219
    11.5.4 分割最適化型分類法の注意点 220
   11.6 Rによる演習 : 非階層的手法 221
    11.6.1 アイリスデータ 221
    11.6.2 スイス銀行紙幣真贋データ 223
   11.7 混合正規分布モデル : 統計モデルを基礎とする分類法 225
    11.7.1 分類手法としての混合分布モデル 225
    11.7.2 モデル 225
    11.7.3 パラメータ推定 226
    11.7.4 多次元のモデルのパラメータ推定 229
    11.7.5 成分数の推定 231
    11.7.6 モデル推定に関する注意 231
   11.8 Rによる演習 : 混合分布による分類 232
    11.8.1 アイリスデータ 232
    11.8.2 スイス銀行紙幣真贋データ 237
   11.9 さらに学ぶために 237
   参考文献 237
付録A 行列の基本演算 239
   A.1 ベクトル行列の基本演算,微分 239
    A.1.1 諸定義 239
    A 1.2 演算 240
    A.1.3 微分 241
索引 242
第1章 統計学の基礎的事項 1
   1.1 多次元データ解析法の分類 1
   1.2 データの形式 1
3.

図書

東工大
目次DB

図書
東工大
目次DB
鈴木努著
出版情報: 東京 : 共立出版, 2009.9  xii, 178p ; 26cm
シリーズ名: Rで学ぶデータサイエンス / 金明哲編集 ; 8
所蔵情報: loading…
目次情報: 続きを見る
第1章 ネットワークデータの入力 1
   1.1 ネットワークとグラフ 1
   1.2 隣接行列 2
    1.2.1 snaの場合 4
    1.2.2 igraphの場合 4
   1.3 辺リスト 5
    1.3.1 snaの場合 6
    1.3.2 igraphの場合 7
   1.4 ファイルの読み込み 9
    1.4.1 Rへのファイルの読み込み 9
    1.4.2 igraphでのファイルの読み込み 10
   1.5 多重グラフ 11
    1.5.1 snaの場合 11
    1.5.2 igraphの場合 12
   1.6 重み付きグラフ 13
    1.6.1 snaの場合 14
    1.6.2 igraphの場合 14
   1.7 二部グラフ 15
第2章 最短距離 19
   2.1 最短経路と最短距離 19
   2.2 幅優先探索 22
   2.3 ダイクストラ法 22
   2.4 ウォーシャル・フロイド法 25
   2.5 snaの場合 26
   2.6 igraphの場合 27
   2.7 到達可能性行列 29
    2.7.1 snaの場合 29
    2.7.2 igraphの場合 30
第3章 ネットワーク構造の諸指標 31
   3.1 密度 31
    3.1.1 snaの場合 33
    3.1.2 igraphの場合 33
   3.2 推移性 33
    3.2.1 snaの場合 35
    3.2.2 igraphの場合 35
   3.3 相互性 35
    3.3.1 snaの場合 37
    3.3.2 igraphの場合 37
   3.4 分析例 38
第4章 中心性 41
   4.1 点中心性 41
   4.2 離心中心性・近接中心性 42
    4.2.1 snaの場合 45
    4.2.2 igraphの場合 45
   4.3 次数中心性 46
    4.3.1 snaの場合 47
    4.3.2 igraphの場合 48
   4.4 固有ベクトル中心性 48
    4.4.1 snaの場合 50
    4.4.2 igraphの場合 51
   4.5 PageRank 51
    4.5.1 igraphの場合 53
   4.6 ボナチッチのパワー中心性 53
    4.6.1 snaの場合 55
    4.6.2 igraphの場合 56
   4.7 媒介中心性 57
    4.7.1 snaの場合 60
    4.7.2 igraphの場合 60
   4.8 情報中心性 60
    4.8.1 snaの場合 64
   4.9 集中度 64
    4.9.1 snaの場合 66
   4.10 二部グラフの中心性 68
   4.11 分析例 69
    4.11.1 中心性指標の比較 69
    4.11.2 二部グラフの中心性 72
第5章 ネットワーク構造の分析 75
   5.1 サブグループ 75
    5.1.1 連結成分 75
    5.1.2 クリーク 77
    5.1.3 コミュニティ 81
   5.2 構造同値性 86
    5.2.1 ユークリッド距離 87
    5.2.2 相関係数 88
    5.2.3 ブロックモデリング 91
   5.3 ストラクチュラル・ホール 94
    5.3.1 igraphの場合 96
第6章 ネットワークの類似性 99
   6.1 関係構造の類似性 99
    6.1.1 ハミング距離 99
    6.1.2 相関係数 101
   6.2 中心化の類似性 106
第7章 ネットワーク指標の有意性検定 109
   7.1 ネットワーク分析における統計的仮説検定 109
   7.2 QAP検定 109
   7.3 CUG検定 112
第8章 モチーフ 117
   8.1 モチーフ 117
   8.2 トライアド・センサス 118
    8.2.1 snaの場合 119
    8.2.2 igraphの場合 120
第9章 複雑ネットワーク 121
   9.1 複雑ネットワーク 121
   9.2 ランダムグラフ 123
   9.3 スモールワールド・ネットワーク 125
   9.4 スケールフリー・ネットワーク 129
第10章 ネットワーク分析とベイジアン・アプローチ 133
   10.1 認知ネットワークからのネットワークの推定 133
    10.1.1 認知ネットワーク 133
    10.1.2 ネットワークのベイズ推定 134
    10.1.3 snaによるネットワークのベイズ推定 136
   10.2 ベイジアン・ネットワーク 139
    10.2.1 ベイジアン・ネットワークとは 139
    10.2.2 ベイジアン・ネットワークの例 140
第11章 グラフ描画 145
   11.1 2 次元グラフ 145
    11.1.1 snaの場合 145
    11.1.2 igraphの場合 150
   11.2 3 次元グラフ 155
    11.2.1 snaの場合 156
    11.2.2 igraphの場合 156
   11.3 グラフィックスの保存 157
    11.3.1 2次元グラフの場合 157
    11.3.2 3次元グラフの場合 158
付録A Rの基礎知識 159
   A.1 Rのインストール 159
   A.2 パッケージのインストール 159
   A.3 パッケージのマニュアル 160
   A.4 ディレクトリの確認と変更 160
   A.5 Rの基本操作 161
   A.6 Rの終了 161
付録B 数学の基礎知識 163
   B.1 四則計算など 163
   B.2 ベクトル 164
   B.3 行列 164
   B.4 行列の固有値と固有ベクトル 167
   B.5 記述統計学 168
参考文献 171
索引 175
第1章 ネットワークデータの入力 1
   1.1 ネットワークとグラフ 1
   1.2 隣接行列 2
文献の複写および貸借の依頼を行う
 文献複写・貸借依頼