螺旋本をPythonで解く Part3
- はじめに
- 14章 高度なデータ構造
- 15章 高度なグラフアルゴリズム
- P336 GRL_1_C: All Pairs Shortest Path
- P342 GRL_4_B: Topological Sort
- P348 GRL_3_A: Articulation Point
- P353 GRL_5_A: Diameter of a Tree
- P358 GRL_2_A: Minimum Spanning Tree
- 16章 計算幾何学
- P384 CGL_1_C: Counter-Clockwise
- P387 CGL_2_B: Intersection
- P398 CGL_3_C: Polygon-Point Containment
- P401 CGL_4_A: Convex Hull
- P405 CGL_6_A: Segment Intersections: Manhattan Geometry
- つづく
螺旋本をPythonで解く Part2
- はじめに
- 8章 木
- P188 ALDS1_7_A: Rooted Trees
- P193 ALDS1_7_B: Binary Tree
- P198 ALDS1_7_C: Tree Walk
- P203 ALDS1_7_D: Reconstruction of the Tree
- 9章 二分探索木
- P209 ALDS1_8_A: Binary Search Tree 1
- P214 ALDS1_8_B: Binary Search Tree 2
- P217 ALDS1_8_C: Binary Search Tree 3
- 10章 ヒープ
- P234 ALDS1_9_A: Complete Binary Tree
- P236 ALDS1_9_B: Maximum Heap
- P240 ALDS1_9_C: Priority Queue
- 11章 動的計画法
- P249 ALDS1_10_A: Fibonacci Number
- P253 ALDS1_10_C: Longest Common Subsequence
- P257 ALDS1_10_B: Matrix Chain Multiplication
- 12章 グラフ
- P269 ALDS1_11_A: Graph
- P273 ALDS1_11_B: Depth First Search
- P282 ALDS1_11_C: Breadth First Search
- P287 ALDS1_11_D: Connected Components
- 13章 重み付きグラフ
- P296 ALDS1_12_A: Minimum Spanning Tree
- P302 ALDS1_12_B: Single Source Shortest Path 1
- P309 ALDS1_12_C: Single Source Shortest Path 2
- つづく
螺旋本をPythonで解く Part1
- はじめに
- 2章 アルゴリズムと計算量
- P46 ALDS1_1_D: Maximum Profit
- 3章 初等的整列
- 4章 データ構造
- P82 ALDS1_3_A: Stack
- P87 ALDS1_3_B: Queue
- P95 ALDS1_3_C: Doubly Linked List
- P114 ALDS1_3_D: Areas on the Cross-Section Diagram
- 5章 探索
- P119 ALDS1_4_A: Linear Search
- P122 ALDS1_4_B: Binary Search
- P127 ALDS1_4_C: Dictionary
- P136 ALDs1_4_D: Allocation
- 6章 再帰・分割統治法
- P142 ALDS1_5_A: Exhaustive Search
- P146 ALDS1_5_C: Koch Curve
- 7章 高等的整列
- P152 ALDS1_5_B: Merge Sort
- P158 ALDS1_6_B: Partition
- P163 ALDS1_6_C: Quick Sort
- P168 ALDS1_6_A: Counting Sort
- P175 ALDS1_5_D: The Number of Inversions
- P179 ALDS1_6_D: Minimum Cost Sort
- つづく
特徴量重要度にバイアスが生じる状況ご存知ですか?
なぜこの記事を書いたのか?
決定木をベースにしたアルゴリズムのほとんどに特徴量重要度という指標が存在する。データに対する知識が少ない場合はこの指標を見て特徴量に対する洞察深めることができる。KaggleではEDAのときにとりあえず重要度を見てみるなんてこともするようだ。
しかし、この特徴量重要度にはバイアスが存在していて、特定の条件下では信用出来ないことがある。そういった条件を広く知ってほしいということでこの記事を書いた。
この記事では人工データを生成しバイアスを再現してみた。また、こういったバイアスに対処したという論文を見つけたので軽く紹介する。おまけとしてgainベース以外の特徴量重要度についても紹介する。
目次
- なぜこの記事を書いたのか?
- 想定読者と実験の枠組み
- 想定読者
- 限定する枠組み
- 特徴量重要度とは?
- 特徴量重要度にバイアスが生じる条件
- 1. 解像度が低い場合
- 2. 特徴量同士にdependancyがある場合
- 実験
- 実験設定
- データの解像度が低い場合
- データ生成の設定
- 結果
- 特徴量同士にdependancyがある場合
- データ生成の設定
- 結果
- その他(おまけ)
- 特徴量の分布でバイアスは生じるか
- 判別に寄与する状況下ではどうなるの?
- 特徴量重要度のバイアスに対抗するには?
- 3種の特徴量重要度
- split frequency
- gini importances
- permutation importances
- まとめ
- 2020/09/06 追記
- 参考
AI・機械学習ハンズオン 〜実践Kaggle 初級編〜に参加しました
はじめに
今回はただの日記です。 AI・機械学習ハンズオン 〜実践Kaggle 初級編〜に参加したので、感想を書く。 これから行く人が知りたいだろう情報も書くように心がける。
- はじめに
- 率直な感想
- 対象者は?
- どんなことをやったのか
- データと環境
- データのEDA
- LightGBM推しがすごい
- コンペ解法解説
- Kaggle のシステムの説明
- 懇親会
- さいごに
新曲をプレイするとスコアはいくつ? 〜最大値を利用したスコアの分布推定〜
概要
本記事では音楽ゲーム(以下音ゲ)において、曲をプレイすると得られるスコアを確率変数として、その分布を推定することを試みた。 音ゲのスコアは慣習的に最大値のみが保存されるような仕組みになっている。 そのため、曲をプレイすると得られるスコアは一覧として得られない。 得られるデータと言えば、その曲を何回プレイして最高のスコアはいくつだったかだけである。 そこで、本記事では、その最大値から背景にあるスコアの分布を推定することを試みた。
本記事をすらすらと読むためには、大学学部レベルの確率統計を履修している必要がある。
どうやらスマホでは本記事の数式が見切れてしまうようである。スマホの方は横画面にして読んでほしい。
- 概要
- 分析のモチベーション
- 目的
- SDVXにおけるデータ
- 分析上の仮定
- ノーテーションと目的
- 知っている
- 知りたい
- 推定のための定式化
- 1について
- 2について
- 3について
- 実装
- 推定結果
- レベル17
- レベル18
- レベル19
- レベル20
- 考察
- 実際の実力と比較して
- レベルの難易度が反映されているか
- まとめ