出典: へっぽこ実験ウィキ『八百科事典(アンサイクロペディア)』 「買うわけがないだろ、そんなバカバカしいものを(笑)」 〜 全自動卵割り機 について、波野ノリスケ 「お前は当分 出入り禁止 だ!帰っていいよ!!
全自動卵割り機 - YouTube
グルグルダシトール
以前書いた下記ネタの続きです この時は、 C# から Excel を起動→LINEST関数を呼んで計算する方法でしたが、 今回は Excel を使わずに、 C# 内でR2を計算する方法を検討してみました。 再び、R 2 とは? 今回は下記サイトを参考にして検討しました。 要は、①回帰式を求める → ②回帰式を使って予測値を計算 → ③残差変動(実測値と予測値の差)を計算 という流れになります。 残差変動の二乗和を、全変動(実測値と平均との差)の二乗和で割り、 それを1から引いたものを決定係数R 2 としています。 は回帰式より求めた予測値、 は実測値の平均値、 予測値が実測値に近くなるほどR 2 は1に近づく、という訳です。 以前のネタで決定係数には何種類か定義が有り、 Excel がどの方法か判らないと書きましたが、上式が最も一般的な定義らしいです。 回帰式を求める 次は先ほどの①、回帰式の計算です、今回は下記サイトの計算式を使いました。 最小2乗法 y=ax+b(直線)の場合、およびy=ax2+bx+c(2次曲線)の場合の計算式を使います。 正直、詳しい仕組みは理解出来ていませんが、 Excel の線形近似/ 多項式 近似でも、 最小二乗法を使っているそうなので、それなりに近い式が得られることを期待。 ここで得た式(→回帰式)が、より近似出来ているほど予測値は実測値に近づき、 結果として決定係数R 2 も1に近づくので、実はここが一番のポイント! C# でプログラム というわけで、あとはプログラムするだけです、サンプルソフトを作成しました、 画面のXとYにデータを貼り付けて、"X/Yデータ取得"ボタンを押すと計算します。 以前のネタと同じ簡単なデータで試してみます、まずは線形近似の場合 近似式 で、aは9. D.001. 最小二乗平面の求め方｜エスオーエル株式会社. 6、bが1、R 2 は0. 9944となり、 Excel のLINEST関数と全く同じ結果が得られました! 次に 多項式 近似(二次)の場合 近似式 で、aは-0. 1429、bは10. 457、cは0、 R 2 は0. 9947となり、こちらもほぼ同じ結果が得られました。 Excel でcは9E-14(ほぼ0)になってますが、計算誤差っぽいですね。 ソースファイルは下記参照 決定係数R2計算 まとめ 最小二乗法を使って回帰式を求めることで、 Excel で求めていたのと同じ結果を 得られそうなことが判りました、 Excel が無い環境でも計算出来るので便利。 Excel のLINEST関数等は、今回と同じような計算を内部でやっているんでしょうね。 余談ですが今回もインターネットの便利さを痛感、色々有用な情報が開示されてて、 本当に助かりました、参考にさせて頂いたサイトの皆さんに感謝致します!
Length; i ++) Vector3 v = data [ i]; // 最小二乗平面との誤差は高さの差を計算するので、(今回の式の都合上)Yの値をZに入れて計算する float vx = v. x; float vy = v. z; float vz = v. y; x += vx; x2 += ( vx * vx); xy += ( vx * vy); xz += ( vx * vz); y += vy; y2 += ( vy * vy); yz += ( vy * vz); z += vz;} // matA[0, 0]要素は要素数と同じ(\sum{1}のため) float l = 1 * data. Length; // 求めた和を行列の要素として2次元配列を生成 float [, ] matA = new float [, ] { l, x, y}, { x, x2, xy}, { y, xy, y2}, }; float [] b = new float [] z, xz, yz}; // 求めた値を使ってLU分解→結果を求める return LUDecomposition ( matA, b);} 上記の部分で、計算に必要な各データの「和」を求めました。 これをLU分解を用いて連立方程式を解きます。 LU分解に関しては 前回の記事 でも書いていますが、前回の例はJavaScriptだったのでC#で再掲しておきます。 LU分解を行う float [] LUDecomposition ( float [, ] aMatrix, float [] b) // 行列数(Vector3データの解析なので3x3行列) int N = aMatrix. 関数フィッティング（最小二乗法）オンラインツール | 科学技術計算ツール. GetLength ( 0); // L行列(零行列に初期化) float [, ] lMatrix = new float [ N, N]; for ( int i = 0; i < N; i ++) for ( int j = 0; j < N; j ++) lMatrix [ i, j] = 0;}} // U行列(対角要素を1に初期化) float [, ] uMatrix = new float [ N, N]; uMatrix [ i, j] = i == j?
概要 前回書いた LU分解の記事 を用いて、今回は「最小二乗平面」を求めるプログラムについて書きたいと思います。 前回の記事で書いた通り、現在作っているVRコンテンツで利用するためのものです。 今回はこちらの記事( 最小二乗平面の求め方 - エスオーエル )を参考にしました。 最小二乗平面とは?
単回帰分析とは 回帰分析の意味 ビッグデータや分析力という言葉が頻繁に使われるようになりましたが、マーケティングサイエンス的な観点で見た時の関心事は、『獲得したデータを分析し、いかに将来の顧客行動を予測するか』です。獲得するデータには、アンケートデータや購買データ、Webの閲覧データ等の行動データ等があり、それらが数百のデータでもテラバイト級のビッグデータでもかまいません。どのようなデータにしても、そのデータを分析することで顧客や商品・サービスのことをよく知り、将来の購買や行動を予測することによって、マーケティング上有用な知見を得ることが目的なのです。 このような意味で、いまから取り上げる回帰分析は、データ分析による予測の基礎の基礎です。回帰分析のうち、単回帰分析というのは1つの目的変数を1つの説明変数で予測するもので、その2変量の間の関係性をY=aX+bという一次方程式の形で表します。a(傾き)とb(Y切片)がわかれば、X(身長)からY(体重)を予測することができるわけです。 図16. 身長から体重を予測 最小二乗法 図17のような散布図があった時に、緑の線や赤い線など回帰直線として正しそうな直線は無数にあります。この中で最も予測誤差が少なくなるように決めるために、最小二乗法という「誤差の二乗の和を最小にする」という方法を用います。この考え方は、後で述べる重回帰分析でも全く同じです。 図17. 最適な回帰式 まず、回帰式との誤差は、図18の黒い破線の長さにあたります。この長さは、たとえば一番右の点で考えると、実際の点のY座標である「Y5」と、回帰式上のY座標である「aX5+b」との差分になります。最小二乗法とは、誤差の二乗の和を最小にするということなので、この誤差である破線の長さを1辺とした正方形の面積の総和が最小になるような直線を探す(=aとbを決める)ことにほかなりません。 図18. 最小二乗法の概念 回帰係数はどのように求めるか 回帰分析は予測をすることが目的のひとつでした。身長から体重を予測する、母親の身長から子供の身長を予測するなどです。相関関係を「Y=aX+b」の一次方程式で表せたとすると、定数の a (傾き)と b (y切片)がわかっていれば、X(身長)からY(体重)を予測することができます。 以下の回帰直線の係数(回帰係数)はエクセルで描画すれば簡単に算出されますが、具体的にはどのような式で計算されるのでしょうか。 まずは、この直線の傾きがどのように決まるかを解説します。一般的には先に述べた「最小二乗法」が用いられます。これは以下の式で計算されます。 傾きが求まれば、あとはこの直線がどこを通るかさえ分かれば、y切片bが求まります。回帰直線は、(Xの平均,Yの平均)を通ることが分かっているので、以下の式からbが求まります。 単回帰分析の実際 では、以下のような2変量データがあったときに、実際に回帰係数を算出しグラフに回帰直線を引き、相関係数を算出するにはどうすればよいのでしょうか。 図19.