約 468,701 件
https://w.atwiki.jp/bkaikei/pages/53.html
財務諸表分析の基本的方法には、比率分析と実数分析があります。 比率分析とは、数値A/数値Bのように主にパーセントで表す方法です。多くの場合「○○比率」といった名称になります。 実数分析は、パーセントではなく、実数(例えば金額値)で表す方法です。1株当たり分析や1人当たり分析があります。 前へ戻る|次へ進む
https://w.atwiki.jp/yohshimo/pages/13.html
ゼミの記録です。ご指導いただいた内容、発表する内容などを書き込みます。 2月4日(地図に矢印を書き込む関数) 1月28日(GWRモデルを計算する関数「gwr」の詳細) 1月22日(BGWRのMCMCステップを早く計算できるようになった点 & 論文紹介) 1月8日(打ち切りをする重みによる、GWRモデルの結果) 12月11日(紀要のチェックと、BGWRモデル(GWRのベイズ・アプローチ)の解析結果) 12月6日(紀要のチェック) 12月3日(GWRパラメータの空間分布の考察:偏回帰係数を比べて) 11月27日(偏回帰係数をRを用いて求める) 11月22日(埼玉県川口市空き巣データの空間分析) 11月17日(同じゼミ生の発表練習) 11月9日(GWRにおける影響力の大きさをCookのDを用いて分析&川口市のデータ発見) 10月29日(GWRモデル推定における、影響力の分析) 10月22日(岡山市、倉敷市、コロンバス市の解析結果、BGWRの結果) 10月15日(古谷知之先生(慶応大学)の論文紹介) 10月9日(SARモデルの尤度関数について) 10月4日(町丁字別データを解析したい理由) 9月26日(岡山市犯罪データ解析の模索、二次の連結性指標を用いたGWR) 9月18日(岡山市犯罪データ解析の模索、一次の連結性指標を用いたGWR) 9月11日(Rのコマンド、GWRの修正、参考HPの紹介、SDAMの紹介) 9月4日(裾切りGWRの結果) 8月27日(GWR解析) 8月6日(過去3ヵ年岡山市犯罪データの解析結果) 7月31日(Rの自作関数「GWR」の修正発表) 7月16日(Rの自作関数「GWR」の発表) 2月4日(地図に矢印を書き込む関数) こちらの.bmpファイをご覧ください。 画像は荒いですが、このようにshapefileの各地区のデータの図を矢印でつないでおります。関数はセミナー資料の,2月4日セミナー資料「地図に矢印書き込み関数.txt 」の中にあります関数「fun」です。 今回の例では、地図は「shape.poly(埼玉県川口市北部)」、折れ線グラフのデータは「bgwr.v[1 40,num](BGWRモデルの分散不均一パラメータ)」です。 どんなデータのどんなグラフでも矢印でつなぐ関数はこちら。 「par()のこと」 の内容も踏まえて、 参考文献:「Sによるデータ解析」(p.54-p.55) 渋谷 政昭 (著), 柴田 里程 (著);共立出版 の関数を参考に、「uin」の部分を修正しただけですが・・・。 1月28日(GWRモデルを計算する関数「gwr」の詳細) 自分の作った関数との答えあわせのため、Rのパッケージ「spgwr」の中の関数「gwr」の中身を紹介。 自分の作った描画機能の紹介。修正の指示を頂きました。 1月22日(BGWRのMCMCステップを早く計算できるようになった点 & 論文紹介) プログラムの修正により、MCMCステップの計算時間が「30sec/step」だったのが、「1sec/step」になりました◎ プログラムの修正ポイントはfor(i in 1 239)の中では「計算」を無くすこと。239通りの計算要素はすべてforの外で計算して行列に置いておく。 計算要素のコマンドでの作り方は去年の7月ごろT2先生に一度ヒントをもらっていたので、それを参考に作りました。 あとは論文紹介。Jeremy Mennis先生による「Mapping the Results of Geographically Weighted Regression」。 GWRモデルの推定パラメータの色分けについて。私の色分けの仕方は悪い例でした。 1月8日(打ち切りをする重みによる、GWRモデルの結果) 修士論文の構成、打ち切りガウス関数を重みに用いたGWRモデルの解析結果の発表。 修士論文には、結果の良かった打ち切りGWRモデルを載せることに。 紀要のチェックをして頂いた。引き続き論文作成。 12月11日(紀要のチェックと、BGWRモデル(GWRのベイズ・アプローチ)の解析結果) BGWRモデルの推定をしましたが、GWRモデルとほぼ変わらない結果となりました。 決定係数、残差二乗和、パラメータのp値、残差のMoran I統計量、すべてGWRモデルとほぼ変わらない値。 今回、外れ値とみなした空き巣発生率は約35件(平均約4件)であるが、この外れ値の地区に対して大きなdown-weightをかけているわけではないことが分かっている。 てこ比とBGWRモデルの関係を解析して、来週発表しようかなと思っています。 あと、BGWRの計算コストが非常に高い!(のかな?) 1100(MCMCの回数)*239(地区の数)=269000回ループを回すのに4時間かかっている。 よりよいプログラムを考えないといけないかな(先生にかなり助けて頂いているが)。 12月6日(紀要のチェック) 紀要のチェックをしていただいた。たくさん修正があり、先生に申し訳なかった。修士論文ではこんなに修正されないよう頑張らなくては。 とりあえず、紀要が終わればTEXで困ったことのページが増えそうです。 12月3日(GWRパラメータの空間分布の考察:偏回帰係数を比べて) 偏相関係数を、GWRのパラメータが正になった地区負になった地区で層別して調べてみると明らかな差があった。 戸建の影響を取り除くと相関係数の値が変化しているのはパラメータが正の地区(資料1枚目 -0.03⇒-0.14)、あまり変化がないのが負の地区(資料2枚目 -0.41⇒-0.39)。 (セミナー資料) 先生にご指摘いただいたのは各地区のパラメータの有意水準を見ること。ただ、それでもパラメータが正であると示唆される地区はあるので、その地区は何か戸建以外の他の要因があるかもしれない。3日後のゼミまでにできる限り調査、まとめをすること! 紀要の赤入れ。要修正。 11月27日(偏回帰係数をRを用いて求める) GWRモデルで老人化率の係数が正になった地区、どうやら一戸建ての影響が強かったみたいだ。先生にご指導いただいた。 実際、一戸建ての影響を取り除いた空き巣と老人化率の偏相関係数は負、または0になっていた。 なお、偏相関係数はRのパッケージ「Rcmdr」が必要であった。tryoさんより、Rコマンダーの相関行列計算のところに偏相関係数の計算を選択できる機能が付いていることも初めて知った。 来週は総まとめを論文にして提出予定。 11月22日(埼玉県川口市空き巣データの空間分析) 埼玉県川口市のデータ解析のまとめ。今回発表したのは大雑把にまとめたもの。 結論。 x(説明変数)とy(被説明変数)の関係は地域によって違うかもしれない。このxとyの関係の空間的な変動をGWRモデルは捕らえてより正確な推定値を与えてくれる。 残差二乗和は大きく減っております。 さて、今回は平成18年度川口市のデータでしたが、千葉県市川市のデータは過去三ヵ年そろっておりGWRのパラメータの三ヵ年の変移などを見ていくと面白いと思い研究中であります。次回ゼミで発表することを目標に。 11月17日(同じゼミ生の発表練習) 同級生の発表練習。地価公示の推定には非常に興味があるので、犯罪データと平行して地理的加重回帰法で推定してみようかな・・・(論文には書かないけど)。 11月9日(GWRにおける影響力の大きさをCookのDを用いて分析&川口市のデータ発見) 先週発表の「CookのD」などでGWRモデル推定における影響力の大きさ等を見てきたが、修士論文で用いる予定である岡山市空き巣データは、交番管轄ごとのデータでありそれぞれの属性の面積が大きい。つまり空間的な従属性は小さくなる。 理想としては少なくとも町丁字別のデータを用いて解析したい(今年の金曜セミナーでもご指摘頂いた)。 そこで、今回偶然ネットで見つけた埼玉県川口市犯罪データ。さっそくcsvファイルに保存し、shapefileをダウンロードし、私の作った関数を用いて解析。 単回帰では残差にかなりの空間的な集積性があったが、GWRモデルの推定により残差が有意水準1パーセントで(空間的に)独立なモデルを構築できた。 なお、BGWRも推定したがGWRから目立った良化は見受けられなかった。 パラメータの空間分布をみると、川口市中心部と北東部でパラメータの符号が逆になっており興味深い結果を得た。 今回、何より収穫だったのは市役所の「防犯対策課」、あるいはそれに準ずる組織が犯罪データをHP上で公開している事実を知ったことである。 もしも、岡山市の町丁字別データが手に入ればすぐにでも解析してみよう。 そして、今までの交番管轄ごとのデータとの比較を行ってみたい。 10月29日(GWRモデル推定における、影響力の分析) 前回発表した「ベイズ・アプローチ」は外れ値の影響を和らげるもの(down-weightによって)。では、 各地区の値を推定する際に、強い影響を与えている地区はどこなのか?それを「てこ比」「CookのD」 を用いて分析した。 二つとも金曜セミナーで発表した内容であるが、「感度分析」(田中豊先生が世界的な権威)については 私の勉強不足。今回発表した内容では「てこ比」「CookのD」のどちらの結果をみて結論を言えば良いのか わからないまま発表した。 ただ、BGWRで結果の出た「columbus市」と、結果の出なかった「岡山市」の原因は「てこ比」「CookのD」 を分析することで見えてきた。 この内容が修士論文に載せれる内容かどうかは別として、興味深い内容である。 てこ比などを通して、「ベイズ・アプローチ」の作用をローカルに見る。これが次回ゼミまでの目標。 ゼミ発表のppt このpptはかなり内容が拙いものです。内容がまとまり次第pdfにまとめてアップいたします。 10月22日(岡山市、倉敷市、コロンバス市の解析結果、BGWRの結果) 岡山市、倉敷市の「空き巣発生率 vs. 低層共同住宅割合」の偏相関係数(老人化率の影響を除いた)の結果 と自分の考察の発表。 BGWRのコマンドが完成した。MCMCをしてくれるコマンドです。計算コストはまだ高いと思う。 このコマンドについても発表します。 結果、やはり岡山市空き巣データ(平成16年度)にベイズ・アプローチ(BGWR)を試みてもGWRとほとんど差異は なかった。 一方、コロンバス市犯罪データにBGWRを試みることによって残差のMoran Iは0に近く なり、つまり誤差がより独立な空間回帰モデルを構築することが出来た。 私の作ったBGWRのコマンドでは、要修正の箇所があった。修正箇所、修正方法の詳細はメモ(R)に 記す。 10月15日(古谷知之先生(慶応大学)の論文紹介) 「研究まとめ:岡山市、倉敷市空き巣データの空間回帰モデリング」の発表。BGWRがあまり良くない理由も分かってきた。 論文「ベイズ地理的加重回帰モデルの地価推定モデルへの適用」(著:古谷知之.2004)の紹介。この論文だとGWRおよびBGWRを691地点の地価公示データに適用させている。自分の使っているデータの10倍。地区ごとの、回帰係数の空間分布 の解釈の仕方は非常に参考になった。 でも、自分の使っている62個のデータでも解析できるようにやってみなければ。 10月9日(SARモデルの尤度関数について) 今まで研究してきた犯罪を用いたデータをまとめているので、その報告。あと、空間自己回帰モデル(SARモデル)の尤度関数でわからないところがあったので先生に質問。確率変数が何なのかという意識が欠けていた。これからは気をつけなくては。 今後は岡山市、倉敷市の空き巣データで3つのモデル(OLS、SAR、GWR)を構築して、まとめる。できれば、GWRのベイズアプローチも。 ゼミのあと気づきましたが、SARの最尤推定のRのコマンドを間違っていたので修正。GWR>SAR>OLSな感じになりそう。 10月4日(町丁字別データを解析したい理由) 今はいい成果が出ていないけど、研究経過を発表予定。 あと、時間があれば[人口数=beta0+beta1*世帯数]のモデルをGWRを行うとどうなるかの発表。なぜ人口数、世帯数なのか。 1.町丁字データとして存在 2.(当然だが)強い正の相関がある 3.推定パラメータbeta1の解釈と、空間分布の予測がしやすい。 今回は人口数と世帯数の相関が比較的強い地区(赤い地区)が郊外に、相関が比較的弱い地区(黄色い地区)が市中心部に来るのではないか。 この結果になりました。ちなみに決定係数はどの地区も95%以上、中には99%の地区も。 GWRモデルのおもしろいとこって、やっぱり説明変数と被説明変数の関係自体が空間的に変動しているところを図示して考察するところにあるのではないか。 もちろんGWRモデルの推定結果が悪いと、考察のとき「この分布を考察してもいいん?」って疑いたくなるけど。 9月26日(岡山市犯罪データ解析の模索、二次の連結性指標を用いたGWR) 二次の連結性を示す重みが完成した。この重みを使うことによって前回結果の悪かった岡山市中心部が良化することを期待したが・・・、そう簡単に良くはなってくれまへん。 決定係数の比較(第20回セミナーのjpegファイルを参照) BGWRモデルの事前確率分布の解釈は間違っていなかった。 あとは、ハイパーパラメータを変えつつ論文の結果に近づけるように研究を続ける。 それができたら、BGWRを岡山のデータに当てはめて解析。 平行して過去三ヵ年&倉敷市(or 静岡市)。地域分析が出来ることを示せる論文を目指す。 (「決定係数を良くする」、「外れ値に頑健なBGWRをする」) 9月18日(岡山市犯罪データ解析の模索、一次の連結性指標を用いたGWR) 前回セミナーの2について考えたところ、当該地区に接している地区(一次の連結性)のみを推定に用いる方法を提案した。 しかし、岡山市中心部では推定結果が悪く、その対策として推定する地区によって高次の連結性の地区を推定に用いる手法を研究してみる。 そこで、先生からご指導いただいた方法として、一次の連結性の地区までの距離と二次の連結性の地区までの距離の差を考慮したモデルにしてみることにした。 なんとか9月20日には計算できるようにRのコマンドを書き上げたい!!! 9月11日(Rのコマンド、GWRの修正、参考HPの紹介、SDAMの紹介) 1.shapefile切り出しの方法の発表 改善の余地がある。 より良いシステムに。 2.GWRで裾切りガウスカーネル関数を用いたときに、決定係数が悪化する地区があったのでそれに対する自分の解釈、解釈に至ったデータの紹介と説明。 やはり、推定に用いる地区の選び方が悪い。今週の研究のひとつはこの対策。 3.参考文献、ホームページの発表。慶応大学の古谷研究室のホームページには参考文献、ホームページが掲載されておりそれも参考に。 4.SDAMの紹介 空間データ分析マシン(SDAM)の紹介。フリーソフトウェア。かなり気に入っているソフト。 GWRなど実装しており、計算をRSTATサーバーを通してRで行い、その結果をGIS機能により図示してくれる。 使用者は、解析したいデータが属性値として入っているshapefileを各自で用意する必要がある。 来週のセミナーではこのマシンの実行例も発表したい。 参考サイト 9月4日(裾切りGWRの結果) カーネル密度関数による重みの「裾切り」をした結果と、決定係数の変化の発表。 どこまで近くの地区の値を推定に用いるかは、「裾切り」範囲ごとのCVスコアを比較して求めた。 また、GWRの解析結果も自分なりに解釈はできた。 やはり、地域の性格が犯罪の誘発度に大きく関わってくるようだ。 今後の研究課題として、地域の性格をいろんな角度から分析していく。 また、「裾切り」により決定係数が悪化した地区もあるので、その原因究明、対策をする。 次回、ゼミで発表予定。 8月27日(GWR解析) 関数「GWR」で解析を行ったところ・・・、地区ごとの決定係数がひどい値に↓ 先生から、属性値が0になってる地区(あるいは周辺の地区)の推定をするときの影響を調べるようにご指導いただいた。 その結果、現在のカーネル関数のバンド幅だと、一番遠い地区でも結構強い重み付けをしているので、もっとバンド幅を狭めた方がいいと感じた。 来週は、自分なりに考えたバンド幅の狭め方と、解析結果の発表をしたい! あと、今回はプレゼンがひどかった。こんなプレゼンしてたらだめだ。 来週はしっかりした発表をしないと。 8月6日(過去3ヵ年岡山市犯罪データの解析結果) 岡山市過去3ヵ年の、GWR解析結果の比較。また、自分で作った関数「GWR」のデモ。 過去3ヵ年の解析のために必要であった「岡山市町丁字年齢別データ」の編集用プログラムの発表。 関数「GWR」で欲しい機能はある程度備わった。しかし、解析結果の表示の流れが不自然。既存の関数「gwr」(パッケージspgwr)の流れを参考に修正。 以前よりの課題であった、岡山市郊外を含んで解析か含まず解析か・・・という問題。「郊外」の定義は曖昧なので岡山市が現在の姿になるまでの合併の経緯を参考に、地域を絞ってGWRの解析を行う。⇒ 解釈が行いやすいのではないか。 「岡山市町丁字年齢別データ」の編集プログラムは後輩に受け渡すことができるように、使いやすくわかりやすく。 平成17年度のデータは手に入れており、過去4ヵ年のデータで、より小地域でGWR解析を行う! データさえ用意できれば、解析をすぐに行える環境は整った(つもり)♪ 今夏の目標:岡山市の空き巣抑止力、誘発度のパラメータ空間分布の結果を元に、街の発達、性格の経緯を見出す。 7月31日(Rの自作関数「GWR」の修正発表) ある程度自分の欲しい機能(パラメータの空間分布可視化、t統計量など)を備えたRの関数「GWR」、最適バンド幅を見つける関数「GWRCV」、倉敷市の解析結果の発表。 「GWRCV 」は、まだまだ無駄が多いところをご指摘、修正していただいた。 倉敷市の結果から、空き巣には「住宅の種類」が関わっていることが、感覚的に示唆された。 発表資料のTEXファイル、図が見にくい。修正を。 倉敷市交番管轄ごとのshapefileを作ったが、高梁川が交番管轄に入っているなど、要修正。 7月16日(Rの自作関数「GWR」の発表) 自分で作った「R」の関数の発表。関数の内容は、空間回帰モデルの一つである地理的加重回帰法の回帰パラメータを計算する関数。 次回は、描画機能も備えた関数の発表と空き巣「発生率」を用いた解析結果のまとめを報告の予定。 さらに、倉敷市のデータについても岡山市と同様の解析を行い、岡山市との地域比較が出来れば(まだ研究中)。 倉敷市は大好きな街なのでやる気まんまん☆ 空き巣の誘発度、抑制力の空間分布パターンに面白い結果が出てくるかな? 名前 コメント
https://w.atwiki.jp/hmiku/pages/17080.html
【検索用 りくのら 登録タグ 作り 作りか 作り手】 + 目次 目次 特徴 リンク 曲 CD コメント 特徴 作り手名:『りくのら』 VOCALOIDのパワーを楽しく学ぶことに使えないかという、少し変わったことを考えている。 曲作りは全くの素人レベルで、修行中のようだ。 リンク ピアプロ 曲 ありがと! いろんなモデルの歌 宇宙は大きなコンピューター 確率ってなんだろなの歌 牛乳の歌 コーヒー牛乳の歌 最小二乗法の歌 正規分布の歌 相関の歌 大数の法則の歌 中心極限定理の歌 二項分布の歌 標本抽出の歌 不偏分散の歌 分散2乗の歌 ランダムウォークの歌 t・F・カイ二乗検定の歌 CD まだCDが登録されていません コメント 名前 コメント
https://w.atwiki.jp/tori1023/pages/24.html
おからダイエットというのは、いくつかの方法に分けられています。 最も一般的な方法なのは、普段の食事におから料理を取り入れる方法になります。おから料理として煮物は定番ですが、他にも、ハンバーグやコロッケなど、カロリーの高いメニューにおからを混ぜることにより、ボリュームはそのままで、カロリーだけを抑えることができます。 また食事だけではなく、おやつでおからを利用する方法もあります。おからのおやつの代表的なものに、クッキーがありますが、他にも、ケーキやパンなどにおからを加えて作ったおやつは、カロリーが低く、更に、満腹感も得ることができます。近年のダイエットブームの中でおからを使ったおやつレシピは次々と生み出されており、雑誌や本などでも頻繁に紹介されています。 イントラレーシックの体験談 効率のよくダイエットをしたい人にはダイエット食品を利用する方法があります。おからクッキーはダイエット食品としても定番です。近年では「おからこんにゃく」が登場し、一時ブームを巻き起こしました。おからこんにゃくは白いご飯に混ぜて炊いたり、肉の代わりに利用したりすることで食事のカロリーを簡単に抑えることができます。その他にもダイエット食品としておから茶や乾燥おからなども販売されています。 おからが苦手という人にはサプリメントを利用するのも一つの方法です。サプリメントはおからの食感やにおいがなく、おからの栄養素を効率よく摂取することができます。 ダイエットは継続することが大切です。さまざまな方法の中で、無理なく続けられる方法を選ぶことが成功への近道となります。
https://w.atwiki.jp/knq0/pages/52.html
布製の服 種別 体装備 防御力 2 重量 1 耐久度 100 売却値 10 mol 入手方法 合成麻×2=布の服(1) 購入教都ヴェリン・エルグ防具店 20mol イベント 依頼 用途 素材 イベント 依頼 コメント 名前 コメント すべてのコメントを見る メニュー アイテム 体装備 布の服 (C) 2010 Lindwurm/Miracle Positive All Rights Reserved.
https://w.atwiki.jp/nopu/pages/19.html
黄色い本について 各章の基本的な流れ 問題定式化→最小二乗法(頻度主義)→オンライン→ベイズジアン 表記 確率密度関数 注 多変数分布関数というのは,要するに同時分布(結合分布)を表しているに他ならない!!! 従って,特に各成分が独立なとき次が成り立つ。 密度関数の変数変換 多変数で本当に成り立つかどうかは疑問? 周辺分布 同時分布のどれかの変数を潰して得られる分布 以下の例では,「yを周辺化した分布」と呼ばれる。 基本法則 和の法則;分布の周辺化という操作によって得られる関数は再び分布である。 積の法則:同時分布と条件付き確率の関係 ベイズの定理:積の法則の系。条件付き確率をひっくり返す方法。 期待値 一変数: 多変数: 条件付き期待値: 注 条件yを固定してから積分するので,結局得られるものはyの関数である。 分散 ベイズ推定 ←パラメータΘを推定したい。未知入力xに対する予測yがほしいのではない。 0. パラメータθで支配される確率モデルを考える。 例えば,正規分布とか。ニューラル回帰とか。 与えられたデータは、このモデルに対応する密度関数に従って出現する。 ←観測値xの分布 データからモデルを選ぶ操作とは,パラメータを選ぶ操作にほかならない。 1. データが観測される。各データは独立として、パラメータの尤もらしさが評価できる。 尤度関数: 2. パラメータ自体が適当な分布をもつと仮定する。←パラメタΘの分布。ここからがベイジアン。尤度最大化に持ち込むのが最尤推定。 事前確率: 3. データが観測されると,パラメータの分布が変化する。 事後確率: 4. 事後分布は、平均操作をとるのに使う。ここで事後分布最大化に持ち込むのはMAP推定。 事前分布と事後分布が同じ表式になるような事前分布を共役事前分布という。 共役事前分布は観測値の分布によって決まり、 特に指数分布族に対しては必ず共役事前分布が存在する。 注. 同時分布との違い 同時分布は,を固定しない表現なので, に関する確率もかかっている。 フィッシャー情報量 対数尤度関数のθによる導関数をスコアという。 l(θ)の導関数の外積の期待値を,フィッシャー情報行列という。 ←ヘッセ行列ではないことに注意!ただし,スコアの期待値が0であることから,確かこれはヘッセ行列の期待値と一致するはず??? データ集合Dが得られたときに,適当な事前分布から事後分布を計算する方法 1. 事前知識と称して,パラメータの事前分布 p(θ)を作る。 2. 適当な理屈を付けて,尤度関数p(D|θ)を構成する。 3. ベイズの定理によって事後分布を得る。 MAP推定:最大事後確率推定 事前分布とか尤度関数を最初から決めるのは難しいので,ハイパーパラメータを導入して分布族•関数族を考え, 事後が最大になるようにハイパーパラメータを決定するという方法。 クラス判別 入力ベクトル x に対するクラスCkを決定する話。 つまり各クラスCkに対して事後分布p(Ck|x)を作る問題。 生成モデル p(Ck) と p(x|Ck) を作って,ベイズの公式からp(Ck|x)を作る方法 識別モデル p(Ck|x) を直接作る方法 識別関数 p(Ck|x) を作って(推論段階),確率が最も大きいkをとる(決定段階)というステップではなく, 直接 x をクラスラベル k に写像する関数 f(x) を構成する方法。 ロジスティックシグモイドとハイパボリックタンジェントの関係 レジュメとか PRML62.tex メモ 最尤推定の一般的な問題:過学習…パラメータ数に対してデータ数が極端に少ないときに起こる問題。 →ベイジアンなら大丈夫(有効パラメータ)。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● 指数分布族が単峰性を持つというよりは, 平均がそもそも確率密度関数p(x)から実数Rへの写像だから というのが原因ではないだろうか。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● データ集合Dから元の分布のパラメータθを推定したい →尤度関数p(D|θ)をθの関数L(θ)とみなし,最大化するのが普通。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● 曲線フィッティング 訓練データ(D,t)から,新たな点xに対するtを予測することが目標。 1.5.5 期待損失 教師信号t
https://w.atwiki.jp/aspirin-marcov/pages/71.html
導入 Boehnke 1994によると、家族ベースのmutation mappingではどうがんばっても~1cMを越える解像度は得られないそうだ。 連鎖不平衡マッピングのアドバンテージ unrelated individualsから得られる染色体サンプルの背景となるgenealogyはきわめて大きくて、何百回の有糸分裂イベントを反映しているということである。 mutationは、特定のハプロタイプに発生し、当初疾患とハプロタイプはその集団で関連している。 時を経て関連は組換えにより、disease mutationからマーカーまでの距離によって決定されるrateに従いdecayする。 言い切っちゃってるが・・ LDマッピングは、候補領域を 0.1cMに絞り込むことができる。 完全で、99.9%正確なヒトゲノム配列がもうすぐ手に入る。 もはやポジショナルクローニングを行う必要はなく、候補領域の多型を相手にすればよい。 中略 理論 を、特定の遺伝病を持つunrelated individualsからサンプルしたn本の染色体からなるmultilocusなハプロタイプとする。 それぞれの染色体はL個のマーカーについてタイピングされる。は染色体i上のローカスjのマーカーアレルを意味する。 集団の、指数関数的な拡大(または縮小)率を仮定する。 なら、集団サイズが変化しないということ 過去の時間t0に発生したdisease mutationについて考える 現時点での疾患染色体(最初のmutationから引き継いだもの)全体の集団からサンプルされた一部をfとする。 簡単のため、このモデルにおける人工統計学的demographicパラメータをとする。 Y0をmutationが起こった染色体におけるマルチローカスハプロタイプであるとする。 は正常染色体でのアレル頻度行列で、ローカスjにおけるアレルiの頻度である。 サンプルのgene treeとはdisease locusという観点からのサンプルの歴史を記述するもので、で表される。 これはtips i=1,2,...,nとノードi=n,n-1,...,2からなるa vector of labeled binary tree Tである。nodesはn-1回のcommon ancestral chromosomeからわかれた系統を表す。 共通の先祖(ノード)がいた時点の時間をcoalescent timesと言い、として定義され、tiは時間で、i=n,n-1,...,2であり、iの変異系統がi-1の先祖系統にcoalesceする時間である。 Coalescent modelはRannnala, Slatkin (1998)に基づき、intra-allelic coalescent of a rare mutation(定義不明)を用いて、coalescent timesとgene treesの確率分布を決めた。 を
https://w.atwiki.jp/the_tower/pages/36.html
目次 + 目次 目次 目次 モジュールの種類とユニークエフェクトモジュールの種類とユニークエフェクト 大砲ハヴォック・ブリンガー(大混乱者) 根絶者(全滅すること) アストラル救出 死刑 鎧アンチキューブ・ポータル 負質量投射機(ネガティブマスプロジェクター) ワームホール・リダイレクター 宇宙排除機(宇宙避妊薬) 発生機特異性ハーネス(シンギュラリティハーネス) 銀河系圧縮機(Galaxyコンプレッサー) パルサー・ハーベスター ブラックホール消化器 芯オムチップ(omチップ) 調和伝導体(ハーモニー導体) ディメンションコア 多元宇宙ネクサス(多宇宙のネクサス) モジュールの種類とユニークエフェクト モジュールの種類とユニークエフェクト モジュールは『大砲』『盾』『発生機』『芯』の4部位で構成されるが、レア度や性能によりそれぞれ固有名称が存在する。 またガチャから出るエピックモジュールはそれぞれ固有のユニークエフェクトを持つ。 ユニークエフェクトの効果はマージによってレア度が上昇するたびに効果が上昇する。 但しマージでレアからエピックに上げたモジュールにはユニークエフェクトは付かない。他のエピックモジュールのマージ素材として活用しよう。 ※2024/4/12版名称(旧名称)で記載します 大砲 ハヴォック・ブリンガー(大混乱者) レンドアーマーが10/12/18/20%の確率で即最大値になる。 根絶者(全滅すること) スーパークリティカル発生後、次の3/4/5/6回の攻撃が全てスーパークリティカルになる 装備前のスーパークリティカルの発生確率を20%かつ同一の敵にショットが無限回命中すると仮定した場合、本モジュールを装備することで約50%~63%程度まで上昇する。 (実際にはスーパークリティカル連鎖中に敵が死亡するケースが存在するため、実質的なスーパークリティカル発生率は多少落ちる) アストラル救出 バウンスショットの射程がタワーの最大射程の3%分上昇する。 バウンスするたびにショットのダメージが20/40/60/80%上昇する。 死刑 敵の出現時に5/8/11/15%の確率で死のマーキングを行い、最初のダメージで倒す。(ボスも有効) 鎧 アンチキューブ・ポータル ショックウェーブを受けた敵は7秒間被ダメージが10/15/20/25倍になる。(ボスやエリートにはショックウェーブの押し出しは無効だが、アンチキューブポータルの効果は適用される) 負質量投射機(ネガティブマスプロジェクター) オーブが敵を倒せなかった際にデバフがスタックされ、ヒット毎にダメージとスピードが1/1.5/2/2.5%減少する。(最大50%) (ボス、プロテクター範囲内の敵、HEAT適用中でオーブが敵を倒せなかった場合に有効となる) ワームホール・リダイレクター マックスリカバリーの最大値の25/50/75/100%分まで通常回復できるようになる。(ライフスティールにこの効果は適用されない) 回復速度はヘルス回復の速度となります。 宇宙排除機(宇宙避妊薬) 地雷が15/20/25/30%の確率で内部地雷(最大20)として出現する。これらの地雷は自動で移動し、タワーの周囲に配置される。 発生機 特異性ハーネス(シンギュラリティハーネス) 各ボットの射程を+5/8/11/15m増加させる。フレイムボットのダメージが2倍になる。 銀河系圧縮機(Galaxyコンプレッサー) 回復パッケージを獲得した瞬間にすべての究極の武器のクールタイムが10/13/17/20秒加速される。 パルサー・ハーベスター ショットが敵に当たるたびに1/1.5/2/2.5%の確率で敵の体力と攻撃レベルが1減少する。(ボスのダメージに表示される) ブラックホール消化器 現ウェーブで入手した無料アップグレードの数×3/5/7/10%分、コイン/キルボーナスが増加する。(全ステータスのレベルがMAXでありこれ以上アプグレできない場合であってもこの効果は適用される) 更に無料アップグレードでタワーの範囲が上昇しなくなる。 (タワー範囲レベルを1に留めることができる=相対的にブラックホールを大きくすることができるため、ファーミングにおいて真価を発揮する) 芯 オムチップ(omチップ) スポットライトが回転してボスに焦点を合わせる。この効果は発動後次の3/2/1/0回目のボスの後で再び発生する。 調和伝導体(ハーモニー導体) 15/20/25/30%の確率で毒を受けた敵が攻撃を失敗する。(ボスは半分の確率で発動) ディメンションコア ①チェーンライトニング発生時、60%の確率で最初のターゲットにもダメージが発生するようになる。 ②チェーンライトニングショックの確率と倍率が2倍になる。 ③同じ敵に再びショックを与えるとショック倍率が加算される。最大5/10/15/20倍まで重ね掛け可能。 多元宇宙ネクサス(多宇宙のネクサス) デスウェーブ、ゴールデンタワー、ブラックホールは常に同時にアクティブになる。 クールタイムは3つの究極武器の平均値から、さらに+20/+15/+1/-10秒される。
https://w.atwiki.jp/wiki2_sw/pages/61.html
目次 種族 種族特徴(※1) 技体心合計 A-F合計 能力値 備考 合計 平均 最小 最大 人間 【剣の加護/運命変転】 21 12d 42+12d 84.0 54.0 114.0 R1、AW 2d*3 12d 2d*6+12d 84.0 24.0 144.0 R1、AW エルフ 【暗視】【剣の加護/優しき水】 26 11d 52+11d 90.5 63.0 118.0 R1、AW ドワーフ 【暗視】【剣の加護/炎身】 20 10d+12 52+10d 87.0 62.0 112.0 R1、AW タビット 【第六感】 22 9d+6 50+9d 81.5 59.0 104.0 R1、AW ルーンフォーク 【暗視】【HP変換】 26 10d 52+10d 87.0 62.0 112.0 R1、AW ナイトメア 【異貌】【弱点】 30 10d 60+10d 95.0 70.0 120.0 R1、AW リルドラケン 【鱗の皮膚】【尻尾が武器】【剣の加護/風の翼】 25 10d+6 56+10d 91.0 66.0 116.0 R2、AW グラスランナー 【マナ不干渉】【虫や植物との意思疎通】 25 10d+12 62+10d 97.0 72.0 122.0 R2、AW シャドウ 【暗視】【月光の守り】 27 10d 54+10d 89.0 64.0 114.0 R1改訂版CG ※1:赤字はLv6、Lv11で強化されるもの。 種族解説 人間ラクシアで一番数多く存在している人族である。種族特徴は運命変転のみだが、【地域に馴染みやすい】という密かな(?)特徴も見逃せない。 能力値の合計は42+12d。 副能力値A-Fはすべて2dで決定される。確率分布の関係で2dの出目は中央値(7)付近に偏りやすいため、キャラは技,体,心の影響をそのまま受ける確率が高い。このため、人間のキャラメイクにおいては生まれの選択が重要である。 人間は、生まれを19種類の中から選べるため、技,体,心のバリエーションが豊富である。その中には一般人生まれ(技7,体7,心7)というものも含まれるため、ひとつの能力値に長けたキャラを作ることもバランスのとれたキャラを作ることも比較的容易である。 人間の特徴として、冒険者生まれ(技2d,体2d,心2d)という選択肢があげられる。このときの参考能力値は12d+6d*2。運が悪ければ他者より圧倒的に低い能力値とり、運が良ければ他者より圧倒的に高い能力値になるハイリスク・ハイリターンな選択肢である。ただしキャラメイクにおいて振り直し(「○回まで振り直し可」「○回振って好きなキャラを選ぶ」とか)が認められる場合は、ローリスク・ハイリターンな選択肢へと変化する。 種族特徴の運命変転は、6以下の目を裏返せるうえ、行為判定の自動的失敗(1ゾロ)を自動的成功(6ゾロ)に変更できるという非常に強力な能力。 全ての行為判定、ダメージの算出、戦利品の決定(及びGMが許可したその他のダイスロール)に適用できる。(R1-p62) なお、シナリオのイベント表(ミストキャッスルの蛮族遭遇判定等)に適用できるかどうかはGMの次第である。 ソードワールド2.0には、プリーストの回復魔法、スカウトの先制判定、セージの魔物知識判定など、一回の判定失敗が大被害につながる行為判定が存在するため、使い所には注意したい。 エルフルールブック1の初版では、エルフの副能力値Aが、1dとされているが、これは2dの誤植である。詳細はSNE公式エラッタを参照のこと。 エルフは人間より背が高く、美しい優雅な姿をした人族であるが、数はあまり多くなく、人の町ではたまに見かける程度である。(ただし、ルーフェリアのようなエルフの里もある) 能力値の合計は52+11d。(人間は42+12d。かなり有利) 副能力値Cは1d、他は2dで決定される。筋力は狭い範囲で個性が出やすく、他は技,体,心の影響を受けやすいということである。 生まれは12種類。体は最も高い戦士生まれでも6。前衛が務まるどうかはキャラが出来上がってみないとわからない。技と心は高めなので、魔法使い系技能とスカウト、レンジャーを兼任するのが良いだろう。(魔法使いに専念するつもりならば、タビットの方が素質が上である) エルフの種族特徴を語るとき見落とされがちであるが、暗視持ちの貴重な種族である。光源を持たずに移動できるのは大きなメリットである。 種族特徴の優しき水は、PCが自発的に使うことが難しい能力。(GMは川や泉、地下水脈の探索などのイベントに頭を悩ませることとなる) 暗視や優しき水により、単独での探索行動の機会が増えるようなら、ファイターかフェンサーを低レベルで習得しておくと心強い。 ドワーフルールブック2の初版では、ドワーフの生まれ:吟遊詩人の初期経験値が、2000とされているが、これは2500の誤植である。詳細はSNE公式エラッタを参照のこと。 ドワーフは人間より背が低く、男性でひげを伸ばすことを好み、女性は人間の少女のような姿をしているという奇妙な種族である。 能力値の合計は52+10d。(人間は42+12d。それなりに有利。エルフは52+11d。やや不利だが、種族特徴の使いやすさではドワーフに軍配) だが一般にドワーフは弱いと考えられている。技,体,心,副能力値A-Fにメリハリがあり、能力値の特徴が掴みにくい。これに関しては『初期能力値表』で解決。 敏捷度、知力という戦闘以外の場面で必要とされる能力値が12を(それどころか、10さえ)満たせないことが、ごく当たり前。 敏捷度、知力が低いため、スカウトと相性が悪く、単独行動に向かない。そのため、せっかくの暗視の使い道も受け身になりやすい。 種族特徴の炎身は、PCが自発的に使うことが難しい。(ファイアボールやファイアブレス、爆発系トラップ、灼熱の部屋等には有効)エルフに対する川や泉のように、地雷原(当然、魔法の爆発)を出すという手もある。 専業戦士としてはリルドラケンに敵わない。(しかも、遭遇距離が15mくらいあると、最初の手番には敵の所まで辿り着けない) 能力値の特徴が掴みにくいせいか、育成のセオリーが確立されていない。案1)神官戦士(プリースト優先)。プリースト2 ファイター1。他は取れず。戦闘特技は魔法の拡大/数。戦闘は、最初の手番には制限移動3m+フィールド・プロテクション。以降は制限移動3m+キュアー・ウーンズ(または移動後攻撃)。 能力値成長は、敏捷度と知力は目標12。 長期キャンペーンでいずれ前線にも出るなら、生命力 筋力20 精神力 器用度。ただしプリーストもファイターもテーブルA技能なのが問題。 短期~中期キャンペーンならプリースト優先で、精神力 生命力 筋力 器用度。 案2)神官戦士(ファイター優先)。この場合も、プリースト2 ファイター1。魔法の拡大/数でスタート。戦闘は、最初の手番には制限移動3m+フィールド・プロテクション~(以下略)。 プリースト2で一度止めて、しばらくはファイターを伸ばす。エンハンサーは1~2程度。精神力の高さ、拡大キュア・ウーンズでリルドラケンと差別化。 案3)マギシュー。 基本的には未来のバランス調整に淡く期待するのみ。 タビット能力値の合計は50+9d。 ルーンフォーク能力値の合計は52+10d。 ナイトメア能力値の合計は60+10d。 リルドラケン全身を鱗で覆われ翼の生えた竜人間。人族の中でもひと際異彩を放つ見た目をしている。 だが、見た目に反して性格は温厚で陽気。独自の集落で暮らすが、外界とも積極的に交流している。 能力値の合計は56+10d。 能力値は体が高く、特に生命力は非常に高くなる。 反面器用度と知力が低く、サブ技能の適正はあまり高くない。圧倒的な生命力と種族特徴鱗の皮膚から壁役として活躍する。筋力の高さから装備にも不自由しない。 しかし、器用度が低すぎるためアタッカーをするなら何らかの手段で命中力をカバーしたい。 また、種族特徴尻尾が武器、により尻尾を格闘武器として最初から持っているため、グラップラーもあり。 グラスランナー自由奔放な人族である。どこから来たかも分からず異世界からきた説もある。 能力値の合計は62+10d。(実際どの種族よりも高い) ただし強いと言われる事はあまりない。副能力値AとBは2d、CとEは1d、DとFは2d+6で決定される。筋力が5以上である事は稀で、精神は常に高い。どうあっても個性的な能力値になる。 器用度、敏捷度がかなり高くスカウト、レンジャーに適性がある。知力もそこそこあり、単独行動が可能である。 精神力が高くバードに最も向いている。またMPが無い為MPを消費しないアルケミストとも相性がいい。 種族特徴のマナ不干渉は戦闘時、大きな効果を発揮してくれる。虫や植物との意思疎通は使い所が少なく限定されている。 極端に筋力が低いためダメージディーラーには不向き。戦士系技能を取るならスカウトやレンジャーを兼任し、足止めや妨害、支援として動いた方がいいだろう。 魔法使い系技能はMPが無い為、実用性にこと欠ける。更に魔法に興味がない種族である為設定もめちゃくちゃになりがち。PTに魔晶石の費用を負担してもらう位なら素直にアルケミストを習得しておこう。 やってはいけないのは迷惑グララン。好奇心でスイッチを押すという事がたまに見られるが、PTに被害が及ばないよう気をつけておきたい。
https://w.atwiki.jp/bokiwiki/pages/28.html
◆簿記の種類 ┣① 日商簿記 【主催:日本商工会議所】 ┣② 全商簿記 【主催:財団法人全国商業高等学校協会】 ┗③ 全経簿記 【主催:社団法人全国経理学校協会】 ◆3つの違いは? (簡単に言うと・・・) 日商・・・商工会議所が主催する「一般向け」 全商・・・「商業高校生」を対象としたもの 全経・・・「経理専門学校生」を対象としたもの