Publications by 東京国際大学 データサイエンス教育研究所 竹田 恒
Google マップ
1 キャパス所在地（緯度・経度）データ d <- read.csv(file = 'https://stats.dip.jp/01_ds/data/campus_location_TIU.csv') library(DT) datatable(d) 次のようにRチャンクのヘッダーで地図のサイズを指定できる。 {r, fig.height = 4, fig.width = 8} 2 GoogleMap #install.packages('leaflet') library(leaflet) l...
208 sym R (396 sym/3 pcs)
Google マップ
1 キャパス所在地（緯度・経度）データ d <- read.csv(file = 'https://stats.dip.jp/01_ds/data/campus_location_TIU.csv') library(DT) datatable(d) 次のようにRチャンクのヘッダーで地図のサイズを指定できる。 {r, fig.height = 4, fig.width = 8} 2 GoogleMap #install.packages('leaflet') library(leaflet) l...
208 sym R (396 sym/3 pcs)
データクレンジング2
次のダーティデータに含まれる異常値を可視化しながら見つける。 1 ダーティデータ set.seed(1) # 乱数シード n <- 100000 # データサイズ # 正常値 rv <- runif(n = n, min = 0, max = 1) # 一様乱数 # 異常値１（負の値） size <- 3 # ランダムサンプルサイズ ii <- sample(n, size)...
140 sym R (2402 sym/21 pcs) 5 img
主成分分析
主成分分析は，高次元（3次元以上）のデータを 2次元のグラフで可視化するのに良く使用される。 場合よっては主成分に分析上有益な意味を見いだすことができる。 多次元データを分析する際は一度この分析手法を試すこと推奨する。 参考：Rのprcomp()関数�...
1517 sym R (4101 sym/33 pcs) 13 img 1 tbl
分類（ロジスティック回帰２）
次のデータを用いて新車購入の確率を予測する。 NAデータは含まない。 新車購入の有無は，既に2値（バイナリ）化されている。 1 データ お客様番号 性別（男性，女性） 年齢 年収（US＄） 購入判断（1：購入，0：購入せず） options(digits = 2) # 表示の有効桁...
1090 sym R (5708 sym/33 pcs) 1 img
データクレンジング
1 データクレンジング 1.1 ダーティデータ1（dirty data 1） 次のデータはメーカー本社ビルのお昼の天候情報である（仮想データ）。 このデータのデータクレンジングを行う。 d0 <- read.csv(file = 'https://stats.dip.jp/01_ds/data/dirty_data1.csv') summary(d0) # 要約統計値 NA's:1 ...
380 sym R (2845 sym/20 pcs) 2 tbl
交差検証法
1 データ 約500の町の心臓病患者の人口割合（heart.disease）（％）と喫煙割合（smoking）（％），自転車通勤割合（biking）（％）について調べたデータ 出典：Scribbr,‘Multiple Linear Regression | A Quick Guide (Examples)’ d <- read.csv('https://stats.dip.jp/01_ds/data/heart.data.csv')[, -1] li...
859 sym R (5001 sym/28 pcs) 4 img 1 tbl
決定木
1 データ タイタニック号の乗客データ 【kaggle】Titanic: cleaned data（一部竹田改変） 説明変数 内容 乗客番号 生死 ｛生存，死亡｝ 客室等級 ｛1, 2, 3｝等 乗客名 性別 ｛男性，女性｝ 年齢 兄弟配偶者数 同乗している兄弟・配偶者の数 親子数 同乗している�...
311 sym R (1837 sym/12 pcs) 8 img 1 tbl
回帰分析（VIF）
分散拡大係数（VIF）と相関係数Rの関係 一般的に，10以上で多重共線性（マルチコ）があると判断される。 この場合，回帰係数が不安定になり分析結果は信頼できない。 説明変数間の相関係数とVIFとの関係は次のグラフのとおり。 options(digits = 2) VIF <- seq(1, 15...
431 sym R (1505 sym/9 pcs) 2 img 1 tbl
回帰分析（変数選択法）
車の燃費データを使って回帰分析する。 1 データ 単位はオリジナル（出典参照）から馴染みのあるものに変換した。 出典：【UCI Machine Learning Repository】Auto MPG Data Set 説明変数 内容（単位） 燃費 燃費（km/L） 気筒数 気筒数（本） 排気量 排気量（cc） 馬力 �...
708 sym R (860 sym/6 pcs) 5 tbl