メディカルデータサイエンティスト

古典統計学とベイズ統計学の手法を検討していろいろな検定推定を健忘録を書いていきたいと思…

メディカルデータサイエンティスト

古典統計学とベイズ統計学の手法を検討していろいろな検定推定を健忘録を書いていきたいと思います。

機械学習(ランダムフォレスト編)

必要なモジュールを読み込んでいきます import numpy as npimport pandas as pdimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as sns Sicket-Learnからパッケージを読み込んでいます from sklearn.model_selection import train_test_splitfrom sklearn.ensemble import

メディカルデータサイエ…

    • 機械学習(総集編caret編)

      今日はcaretパッケージの分類を使っていきます。 methodにサポートベクターマシン(svmRadial)、 ニューラルネットワーク(nnet)、k近傍法(knn)、 単純ベイズ(nb)、ランダムフォレスト(rf)、 決定木(rpart)などを指定できる便利なパッケージです。 irisを読み込み、教師データと検証用に分割します data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-

      メディカルデータサイエ…

      • 機械学習(単純ベイズ編）

        必要なモジュールを読み込んでいきます import numpy as npimport pandas as pdimport matplotlib.pyplot as plt%matplotlib inlineimport seaborn as sns Sicket-Learnからパッケージを読み込んでいます from sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes imp

        メディカルデータサイエ…

        • 機械学習(k近傍法編)

          パッケージの読み込み library(kernlab)library(class) データセットにirisを取り込み、教師データと検証用データに分割します data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1) k近傍法のモデルを構築します knn.result<-knn(iris.train[,-5],iris.test[,-5],iris.tra

          メディカルデータサイエ…

        機械学習(ランダムフォレスト編)

        メディカルデータサイエンティスト

        マガジン

        • 機械学習(Python編)
          2本
        • 機械学習(R言語編)
          8本
        • 統計解析
          10本

        記事

          機械学習(準備編)

          irisのデータを利用していろいろ勉強していきます。 irisのデータを確認して、図示して相関を予想します。 GGallyで図示していきます。 まずデータを読み込んで、確認します。 data(iris)head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2

          メディカルデータサイエ…

          機械学習(準備編)

          メディカルデータサイエンティスト

          機械学習(サポートベクターマシン編)

          パッケージの読み込みます library(e1071)library(kernlab) データirisの読み込み、データを教師データと評価データの2つに分割します data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1) サポートベクターマシーンの構成します svm.model<-svm(Species~.,type="C-classification

          メディカルデータサイエ…

          機械学習(サポートベクターマシン編)

          メディカルデータサイエンティスト

          機械学習(ランダムフォレスト編)

          パッケージの読み込み library(randomForest) irisを読み込んで、学習用と検証用に分割します data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1) ランダムフォレストで分類モデルを作成します rf.model<-randomForest(Species~.,data=iris.train) ランダムフォレストで作成した分類モ

          メディカルデータサイエ…

          機械学習(ランダムフォレスト編)

          メディカルデータサイエンティスト

          機械学習(決定木編)

          パッケージの読み込みます library(rpart)library(rpart.plot) irisのデータを読み込んで、学習用と検証用に分割します data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1) CARTで分類モデルを作成します cart.model<-rpart(Species~.,data=iris.train) CARTで作成した

          メディカルデータサイエ…

          機械学習(決定木編)

          メディカルデータサイエンティスト

          機械学習(ニューラルネットワーク編)

          ニューラルネットワークモデルで解析 3層パーセプトロンの構築していきます パッケージの読み込みます library(e1071)library(kernlab)library(nnet) データセットにirisを取り込みます data(iris) データを教師データと解析用に分割します n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,] ニューラルネットワークモデルを構築します we

          メディカルデータサイエ…

          機械学習(ニューラルネットワーク編)

          メディカルデータサイエンティスト

          機械学習(単純ベイズ編)

          R言語での単純ベイズモデルでの機械学習 irisのデータを用いて分類の問題を復習します。 まずパッケージの読み込みです library(e1071)library(kernlab) irisデータの読み込みます data(iris) 教師データと評価データに分けます（半分づつ） n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,] 単純ベイズで分類モデルを作成します nb.model<

          メディカルデータサイエ…

          機械学習(単純ベイズ編)

          メディカルデータサイエンティスト

          生存時間曲線つづき

          同じデータでマルコフ連鎖モンテカルロ法MCMCで サンプリング数を増やしてベイス推定してみました。 model = " data { int<lower=1> N; int<lower=1> T; int<lower=1, upper=T> Time[N]; int<lower=0, upper=1> Cens[N]; } parameters { real<lower=0> sigma_log_hazard; vector<upper=0>[T] log_hazard;

          メディカルデータサイエ…

          生存時間曲線つづき

          メディカルデータサイエンティスト

          生存時間曲線

          ポビドンヨードが話題になっていたので、 生存時間曲線で表現するにはと復習してみた。 まず、公開されているデータからは イソジンうがい群25例、対照群16例で、 最終日に脱落がそれぞれ4例と1例です。 適当な表を作成して、ID、treat(うがい有"1"、無”0”） 陰性化するまでの日数をdays(1-4)として図示します。 fit.surve=survfit(Surv(days, response) ~ treat, data = treat1)summary(fit.s

          メディカルデータサイエ…

          生存時間曲線

          メディカルデータサイエンティスト

          ２群間の時系列データの解析

          友人に２群間の時系列データの解析、検定を尋ねられたので 改めて勉強してみたので、健忘録として。 まず、練習用のデータを作成していきます。 症例は30例ずつの2群で、計測は3時点、処置の有無で層別化します。 id = c(1:60)result0 = rnorm(30,40,10)result1 = rnorm(30,25,7)result2 = rnorm(30,20,5)result3 = rnorm(30,41,9)result4 = rnorm(30,23,6)re

          メディカルデータサイエ…

          ２群間の時系列データの解析

          メディカルデータサイエンティスト

          分散分析の悩みどころ

          引き続いて分散分析です。 前回はbrmsパッケージで交互作用ありで解析しましたが、交互作用なしで検討する考えもあります。多重共線性を排除するためです。他に今回は当てはまりませんが、中心化したり、標準化することもあります。ToothGrowthは因子×因子なので中心化も標準化も意味がなさそうです。 交互作用なしで解析すると、OJ1mgと2mgで有意差が出てしまいます。おそらく不適切な解析と考えます。

          メディカルデータサイエ…

          分散分析の悩みどころ

          メディカルデータサイエンティスト

          brmsパッケージで共分散分析をベイズ推定してみた。

          library(brms)library(rstan) 用量doseを因子型に変換します。 data=ToothGrowthdata=transform(data,dose=as.factor(dose)) ベイズの線形回帰パッケージbrmsを使用します。 交互作用を考えるモデルを組みます。 brms.fit=brm(formula= len ~ supp*dose,family=gaussian(),data=data) Population-Level Effe

          メディカルデータサイエ…

          brmsパッケージで共分散分析をベイズ推定してみた。

          メディカルデータサイエンティスト

          共分散分析を重回帰解析で

          また同じToothGrowthのデータで考えていきます。 今回は２元配置分散分析を線形回帰(重回帰解析)で検討していきます。 まず、doseは数値型のままです。 lm.fit=lm(len ~ supp * dose , data=ToothGrowth)summary(lm.fit) Call: lm(formula = len ~ supp * dose) Residuals: Min 1Q Median 3Q Max -8.22643 -2.84625 0.0503

          メディカルデータサイエ…

          共分散分析を重回帰解析で

          メディカルデータサイエンティスト