アウラニ旅行記 2013年 6日目 その2：プールでの事件 [【旅行】ハワイ]
ドナルドとのキャラグリを終えて、プールで泳ぐことにしました。
春飛と流れるープールで遊んだ後、チューブを使ったスライダー（二人乗り）を滑ることにしました。
大人が後ろで、子供が前です。
普通に滑っていたのですが、チューブの途中で引っ掛かり、そのまま前後が反対になって滑り始めました。
位置は、大人が前で、子供が後ろ。
しかも、後ろ向きに。。。
これはやばい！って思い、チューブが着水する瞬間に春飛を抱えましたが、二人とも水中へ。。。
春飛はライフジャケットを着ていたのと、すぐに捕まえることができたので、特に大事には至りませんでしたが、ちょっとショックだったようです。
（あれ？何が起こったんだ）
って様子でした。
それから、しばらく休んでいると、、、メガネがないことに気がつきました！
どうやら、着水した瞬間に水中に落ちてしまったようです。
とりあえず、水に潜り探しましたが見つからず。
流れるプールなので、どこかに流れて行ったのかも？とあきらめていました。。。
コンタクトは持ってきていないし、メガネひとつだけだし、どうしようか？とあせりましたが、プールサイドのタオルをレンタルする場所で
「眼鏡を落としたので、見つかったら取っておいて欲しい。今から海に行くので、また、戻ります。」
と伝えていたら…
なんと！
しばらくして、眼鏡を海まで届けてくれました。
眼鏡がないと困るだろうからと、シュノーケルをつけてプールの中を潜って探してくれたみたいです。（涙）
とりあえずチップを渡そうとしたら、
「No, No!困ります。」
と言って、去って行きました。
本当にありがとうございました。
今度から、予備の眼鏡かコンタクトは持っていこうって思った今日この頃です。
◆検索用キーワード◆
アウラニ・ディズニー・リゾート＆スパ
Aulani, A Disney Resort & Spa
ディズニー・ハワイ・リゾート
Disney Hawaii Resort
ディズニー・バケーション・クラブ
Disney Vacation Club
春飛と流れるープールで遊んだ後、チューブを使ったスライダー（二人乗り）を滑ることにしました。
大人が後ろで、子供が前です。
普通に滑っていたのですが、チューブの途中で引っ掛かり、そのまま前後が反対になって滑り始めました。
位置は、大人が前で、子供が後ろ。
しかも、後ろ向きに。。。
これはやばい！って思い、チューブが着水する瞬間に春飛を抱えましたが、二人とも水中へ。。。
春飛はライフジャケットを着ていたのと、すぐに捕まえることができたので、特に大事には至りませんでしたが、ちょっとショックだったようです。
（あれ？何が起こったんだ）
って様子でした。
それから、しばらく休んでいると、、、メガネがないことに気がつきました！
どうやら、着水した瞬間に水中に落ちてしまったようです。
とりあえず、水に潜り探しましたが見つからず。
流れるプールなので、どこかに流れて行ったのかも？とあきらめていました。。。
コンタクトは持ってきていないし、メガネひとつだけだし、どうしようか？とあせりましたが、プールサイドのタオルをレンタルする場所で
「眼鏡を落としたので、見つかったら取っておいて欲しい。今から海に行くので、また、戻ります。」
と伝えていたら…
なんと！
しばらくして、眼鏡を海まで届けてくれました。
眼鏡がないと困るだろうからと、シュノーケルをつけてプールの中を潜って探してくれたみたいです。（涙）
とりあえずチップを渡そうとしたら、
「No, No!困ります。」
と言って、去って行きました。
本当にありがとうございました。
今度から、予備の眼鏡かコンタクトは持っていこうって思った今日この頃です。
◆検索用キーワード◆
アウラニ・ディズニー・リゾート＆スパ
Aulani, A Disney Resort & Spa
ディズニー・ハワイ・リゾート
Disney Hawaii Resort
ディズニー・バケーション・クラブ
Disney Vacation Club
アウラニ旅行記 2013年 6日目 その3：オフ・ザ・フックで最後の夕食 [【旅行】ハワイ]
活動できる最後の日ってことで、この日は、ワイケレ･プレミアム･アウトレット（Waikele Premium Outlets）に行きました。
ワイケレはなんだか行きつけの場所になってしまいました。
さて、夜になり、最後のディナーを食べることに。
マカヒキとかアマアマって気分でもなかったのと、先日食べたオフ・ザ・フック（Off The Hook）でのランチが美味しかったので、ここでディナーを食べることにしました。
ワイケレはなんだか行きつけの場所になってしまいました。
さて、夜になり、最後のディナーを食べることに。
マカヒキとかアマアマって気分でもなかったのと、先日食べたオフ・ザ・フック（Off The Hook）でのランチが美味しかったので、ここでディナーを食べることにしました。
アウラニ旅行記 2013年 7日目（最終飛）：帰国へ [【旅行】ハワイ]
さて、いよいよ最終日です。
といっても、朝一番の飛行機（JAL）なので、のんびり観光って気分じゃないです。
しかも、渋滞ラッシュを考慮すると、通常30分もあれば、十分なのですが、ねんのために3時間前に出発をすることにしました。
ホテルは24時間営業なので、早朝でもチェックアウト可能です。
楽しかったアウラニでの生活も、あっという間に終え、名残惜しいままホノルル空港に向かいました。
渋滞の予想は当たり、ワイケレを過ぎたあたりから、だんだんと渋滞になってきてしまいました。
結局、1時間半くらいかかったと思います。
ホノルル空港でレンタカーを返し、そのままチェックイン。
飛行機の出発時間の1時間前でした。
ギリギリですね。(^^;
ハワイに来る時は夜の便なのと、時差ぼけ解消のために、ひたすら寝ようとがんばりましたが、帰りの便は朝なのと、面白そうな映画がたくさんあったので、なんだかんだと映画も3本観てしまいました。
そして、日本に無事帰宅。
6泊8日と、割と長めの旅行でしたが、ちょうど良い期間だったかもなぁって思います。
4泊くらいだと短いと感じますし、これ以上長くなると、それはそれで疲れます。
心身だけでなく、お財布も。（爆
また、来年あたりにここKoOlinaに戻ってきたいです。
Welcome Home！
◆検索用キーワード◆
アウラニ・ディズニー・リゾート＆スパ
Aulani, A Disney Resort & Spa
ディズニー・ハワイ・リゾート
Disney Hawaii Resort
ディズニー・バケーション・クラブ
Disney Vacation Club
といっても、朝一番の飛行機（JAL）なので、のんびり観光って気分じゃないです。
しかも、渋滞ラッシュを考慮すると、通常30分もあれば、十分なのですが、ねんのために3時間前に出発をすることにしました。
ホテルは24時間営業なので、早朝でもチェックアウト可能です。
楽しかったアウラニでの生活も、あっという間に終え、名残惜しいままホノルル空港に向かいました。
渋滞の予想は当たり、ワイケレを過ぎたあたりから、だんだんと渋滞になってきてしまいました。
結局、1時間半くらいかかったと思います。
ホノルル空港でレンタカーを返し、そのままチェックイン。
飛行機の出発時間の1時間前でした。
ギリギリですね。(^^;
ハワイに来る時は夜の便なのと、時差ぼけ解消のために、ひたすら寝ようとがんばりましたが、帰りの便は朝なのと、面白そうな映画がたくさんあったので、なんだかんだと映画も3本観てしまいました。
そして、日本に無事帰宅。
6泊8日と、割と長めの旅行でしたが、ちょうど良い期間だったかもなぁって思います。
4泊くらいだと短いと感じますし、これ以上長くなると、それはそれで疲れます。
心身だけでなく、お財布も。（爆
また、来年あたりにここKoOlinaに戻ってきたいです。
Welcome Home！
◆検索用キーワード◆
アウラニ・ディズニー・リゾート＆スパ
Aulani, A Disney Resort & Spa
ディズニー・ハワイ・リゾート
Disney Hawaii Resort
ディズニー・バケーション・クラブ
Disney Vacation Club
映画『妖怪人間ベム』 [テレビ / 映画]
機内で映画『妖怪人間ベム』を観ました。
もともと、テレビバージョンでも好きだったし、もちろん、オリジナルのアニメも好きです。
映画化すると聞いてちょっと心配しましたが、その不安はなくなりました。
予想以上に面白かったです。
特に子供を持つ親として、観月ありさの演技を観ていると、涙なくしては観れませんでした。
また、どこかで続きが観たいです。
もともと、テレビバージョンでも好きだったし、もちろん、オリジナルのアニメも好きです。
映画化すると聞いてちょっと心配しましたが、その不安はなくなりました。
予想以上に面白かったです。
特に子供を持つ親として、観月ありさの演技を観ていると、涙なくしては観れませんでした。
また、どこかで続きが観たいです。
映画 妖怪人間ベム【DVD豪華版】(本編ディスク+特典ディスク)
- 出版社/メーカー: バップ
- メディア: DVD
映画『ホビット 思いがけない冒険』 [テレビ / 映画]
映画『ホビット 思いがけない冒険』を観ました。
てっきり、一話完結かと思っていたら、
第1部 『ホビット 思いがけない冒険』（ホビット おもいがけないぼうけん、The Hobbit: An Unexpected Journey）
第2部 『ホビット スマウグの荒らし場』（ホビット スマウグのあらしば、The Hobbit: The Desolation of Smaug）
第3部 『ホビット ゆきて帰りし物語』（ホビット ゆきてかえりしものがたり、The Hobbit: There and Back Again）
の三部作だったとは。。。
時代は、映画『ロード・オブ・ザ・リング』の少し前の話になります。
なので、ロード・オブ・ザ・リングに出てくる懐かしのキャラも出てきたり、まさしく指輪が出てきたりと、『ロード・オブ・ザ・リング』を観ていると、かなり楽しめたのではと思います。
もちろん、知らなくても大丈夫だと思いますが。
第1部は2012年12月14日に公開されましたが、第2部は2013年12月13日、第3部は2014年12月17日にそれぞれ公開予定だそうです。
今年の冬が楽しみです。
![ホビット 思いがけない冒険 Blur-ray & DVD (3枚組)(初回限定生産) [Blu-ray]](https://images-fe.ssl-images-amazon.com/images/I/51gX0barFXL._SL160_.jpg "ホビット 思いがけない冒険 Blur-ray & DVD (3枚組)(初回限定生産) [Blu-ray]")
てっきり、一話完結かと思っていたら、
第1部 『ホビット 思いがけない冒険』（ホビット おもいがけないぼうけん、The Hobbit: An Unexpected Journey）
第2部 『ホビット スマウグの荒らし場』（ホビット スマウグのあらしば、The Hobbit: The Desolation of Smaug）
第3部 『ホビット ゆきて帰りし物語』（ホビット ゆきてかえりしものがたり、The Hobbit: There and Back Again）
の三部作だったとは。。。
時代は、映画『ロード・オブ・ザ・リング』の少し前の話になります。
なので、ロード・オブ・ザ・リングに出てくる懐かしのキャラも出てきたり、まさしく指輪が出てきたりと、『ロード・オブ・ザ・リング』を観ていると、かなり楽しめたのではと思います。
もちろん、知らなくても大丈夫だと思いますが。
第1部は2012年12月14日に公開されましたが、第2部は2013年12月13日、第3部は2014年12月17日にそれぞれ公開予定だそうです。
今年の冬が楽しみです。
ホビット 思いがけない冒険 Blur-ray & DVD (3枚組)(初回限定生産) [Blu-ray]
- 出版社/メーカー: ワーナー・ホーム・ビデオ
- メディア: Blu-ray
映画「ヘンゼル＆グレーテル」 [テレビ / 映画]
機内で見た最後の映画が「ヘンゼル＆グレーテル」。
日本では未公開でした。
調べてみると、日本の公開はなく、2013年7月19日にブルーレイとDVDが発売されるみたいです。
ヘンゼル＆グレーテルといえば、お菓子の家のお話です。
魔女をやっつけてから15年後が舞台になっています。
成長した兄弟は、魔女ハンターに成長していました！
という、なんだか、設定がすごいんですが、何も考えずに、ぼ～っと観れるアクション映画としてはありかもなぁってくらいです。
映画館で観ると後悔するだろうけど、DVDやテレビだと、OKくらいな。
![ヘンゼル&グレーテル ブルーレイ+DVDセット(2枚組) [Blu-ray]](https://images-fe.ssl-images-amazon.com/images/I/51SobPRGxDL._SL160_.jpg "ヘンゼル&グレーテル ブルーレイ+DVDセット(2枚組) [Blu-ray]")
日本では未公開でした。
調べてみると、日本の公開はなく、2013年7月19日にブルーレイとDVDが発売されるみたいです。
ヘンゼル＆グレーテルといえば、お菓子の家のお話です。
魔女をやっつけてから15年後が舞台になっています。
成長した兄弟は、魔女ハンターに成長していました！
という、なんだか、設定がすごいんですが、何も考えずに、ぼ～っと観れるアクション映画としてはありかもなぁってくらいです。
映画館で観ると後悔するだろうけど、DVDやテレビだと、OKくらいな。
ヘンゼル&グレーテル ブルーレイ+DVDセット(2枚組) [Blu-ray]
- 出版社/メーカー: パラマウント ホーム エンタテインメント ジャパン
- メディア: Blu-ray
IBM SPSS Modelerで一般化線形モデル（GLM）：ポアソン回帰 [データサイエンス、統計モデル]
GLMといえば、Rで分析していましたが、IBM SPSS Modeler（Clementine）でも同様のことができます。
本当に値って同じ結果が得られるのか？と検証しました。
結果は、RもModelerも同じ結果になっています。ｗ
ポアソン回帰ですが、どういう場合に使うのか？
y <- x1 + x2
を考えた時に、yが上限のないカウントデータの場合にポアソン回帰を使います。
具体的な事例では、1年間にアクションする回数とかでしょうか。
たとえば、旅行サイトのアクション数を想定した場合、ある人は0回ですし、ある人は1回といったデータです。
Rで書く場合は、
fit.all <- glm(y ~ x + f, data = d, family = poisson)
と書けばOKです。
リンク関数を正確に書くならば、
fit.all <- glm( y ~ x + f, data = d, family = poisson(link = "log") )
と書きます。
Modelerの場合の設定は、わかりにくいですが、
と設定すれば、Rと同じ結果が得られます。
本当に値って同じ結果が得られるのか？と検証しました。
結果は、RもModelerも同じ結果になっています。ｗ
ポアソン回帰ですが、どういう場合に使うのか？
y <- x1 + x2
を考えた時に、yが上限のないカウントデータの場合にポアソン回帰を使います。
具体的な事例では、1年間にアクションする回数とかでしょうか。
たとえば、旅行サイトのアクション数を想定した場合、ある人は0回ですし、ある人は1回といったデータです。
Rで書く場合は、
fit.all <- glm(y ~ x + f, data = d, family = poisson)
と書けばOKです。
リンク関数を正確に書くならば、
fit.all <- glm( y ~ x + f, data = d, family = poisson(link = "log") )
と書きます。
Modelerの場合の設定は、わかりにくいですが、
と設定すれば、Rと同じ結果が得られます。
IBM SPSS Modelerで一般化線形モデル（GLM）：二項分布 [データサイエンス、統計モデル]
ポアソン回帰は、こちら。
http://skellington.blog.so-net.ne.jp/2013-05-23
二項分布の場合は、少々ややこしかったです。(^^;
N個の中からy個を選び出す場合どうするか？
Rで書く場合は、
fit.xf <- glm(cbind(y, N - y) ~ x + f, data = d, family = binomial)
と書けばOKです。
リンク関数を正確に書くならば、
fit.xf <- glm(cbind(y, N - y) ~ x + f, data = d, family = binomial(link = "logit"))
と書きます。
IBM SPSS Modeler（Clementine）でどう設定するのか？
まず、Nとyの設定ですが、フィールドタブでこの様に設定します。
エキスパートタブでは、こうです。
これで、RのアウトプットとModelerのアウトプットが同じになることが確認できました。
ちなみに、xとfの交互作用を扱う場合ですが、Rでは、
fit.xf <- glm(cbind(y, N - y) ~ x * f, data = d, family = binomial)
と書きます。
Modelerの設定は、
モデルタブのモデルタイプ：
主効果のみ → 主効果およびすべての２方向交互作用
と変更します。
こちらも、Rと同じアウトプットが得られました。
http://skellington.blog.so-net.ne.jp/2013-05-23
二項分布の場合は、少々ややこしかったです。(^^;
N個の中からy個を選び出す場合どうするか？
Rで書く場合は、
fit.xf <- glm(cbind(y, N - y) ~ x + f, data = d, family = binomial)
と書けばOKです。
リンク関数を正確に書くならば、
fit.xf <- glm(cbind(y, N - y) ~ x + f, data = d, family = binomial(link = "logit"))
と書きます。
IBM SPSS Modeler（Clementine）でどう設定するのか？
まず、Nとyの設定ですが、フィールドタブでこの様に設定します。
エキスパートタブでは、こうです。
これで、RのアウトプットとModelerのアウトプットが同じになることが確認できました。
ちなみに、xとfの交互作用を扱う場合ですが、Rでは、
fit.xf <- glm(cbind(y, N - y) ~ x * f, data = d, family = binomial)
と書きます。
Modelerの設定は、
モデルタブのモデルタイプ：
主効果のみ → 主効果およびすべての２方向交互作用
と変更します。
こちらも、Rと同じアウトプットが得られました。
ちはやふる 21巻と22巻 [アニメ / コミック]
ちはやふる 21巻が6月13日に発売されます。
まだ、21巻が発売されていませんが、次の22巻の発売日も決まったそうです。
次は、DVD付きの限定版で2013年9月13日に発売とのこと。
Amazonなどでも予約が始まっていました。
もちろん、予約しておきましたｗ
- 作者: 末次 由紀
- 出版社/メーカー: 講談社
- 発売日: 2013/06/13
- メディア: コミック
まだ、21巻が発売されていませんが、次の22巻の発売日も決まったそうです。
次は、DVD付きの限定版で2013年9月13日に発売とのこと。
Amazonなどでも予約が始まっていました。
もちろん、予約しておきましたｗ
- 作者: 末次 由紀
- 出版社/メーカー: 講談社
- 発売日: 2013/09/13
- メディア: コミック
IBM SPSS Modelerで一般化線形モデル（GLM）：オフセットフィールドの使い方 [データサイエンス、統計モデル]
R と IBM SPSS Modeler（Clementine）との比較です。
単位時間あたりのアクション数や、単位面積あたりの店舗数などを扱う場合にオフセットフィールドが登場します。
こじつけの例として、ある期間Aにおけるアクション数 y があり、変数として x が与えられたとします。
その際、単位時間あたりのアクション数 y と x との関係をもモデリングするというものです。
単位時間あたりのアクション数 = アクション数(λ) / A
λ = A × 単位時間あたりのアクション数
= A exp(β1 + β2 x)
= exp(β1 + β2 x + log(A) )
となります。
logを取ると、
log(λ) = β1 + β2 x + log(A)
と線形で書けるようになります。
つまり、β1 + β2 x + log(A) を線形予測子とするポアソン分布として扱うことができます。
log(λ)ということなので、リンク関数は、対数になります。
log(A)は、パラメータがつかないので、オフセット項となります。
Rで書く場合は、
fit.all <- glm(y ~ x, offset = log(A), family = poisson, data = d)
と書きます。
Modelerの場合の設定は、
と設定します。
実際は、Aというフィールドに面積やら時間が入っているかと思うのですが、Rでは、log(A)と書くのに対し、IBM SPSS Modeler（Clementine）では、いったん log(A) というフィールドを作成してあげる必要があります。
単位時間あたりのアクション数や、単位面積あたりの店舗数などを扱う場合にオフセットフィールドが登場します。
こじつけの例として、ある期間Aにおけるアクション数 y があり、変数として x が与えられたとします。
その際、単位時間あたりのアクション数 y と x との関係をもモデリングするというものです。
単位時間あたりのアクション数 = アクション数(λ) / A
λ = A × 単位時間あたりのアクション数
= A exp(β1 + β2 x)
= exp(β1 + β2 x + log(A) )
となります。
logを取ると、
log(λ) = β1 + β2 x + log(A)
と線形で書けるようになります。
つまり、β1 + β2 x + log(A) を線形予測子とするポアソン分布として扱うことができます。
log(λ)ということなので、リンク関数は、対数になります。
log(A)は、パラメータがつかないので、オフセット項となります。
Rで書く場合は、
fit.all <- glm(y ~ x, offset = log(A), family = poisson, data = d)
と書きます。
Modelerの場合の設定は、
と設定します。
実際は、Aというフィールドに面積やら時間が入っているかと思うのですが、Rでは、log(A)と書くのに対し、IBM SPSS Modeler（Clementine）では、いったん log(A) というフィールドを作成してあげる必要があります。
IBM SPSS Modelerで一般化線形モデル（GLM）：ガンマ分布のGLM [データサイエンス、統計モデル]
R と IBM SPSS Modeler（Clementine）との比較です。
ガンマ分布は、0以上の連続値をとる確率分布です。
ここで x と y がこのような関係になっていると考えます。
y が連続地値で正の値しかとらないとします。
ここで y が 平均 μ のガンマ分布に従っていると仮定すると、
A=exp(a)とおくと
RのGLMの書き方は、
fit.gamma <- glm(y ~ log(x), family = Gamma(link = "log"), data = d)
summary(fit.gamma)
そして、これを IBM SPSS Modeler（Clementine）でモデル作成するとどうなるか？
まず、フィールド作成ノードでlog(x)を計算しておきます。
そして、一般化線形ノードを使い
・分布：ガンマ
・リンク関数：対数
を設定して、実行すればOK。
得られる結果は、Rと同じ結果になります。
ガンマ分布は、0以上の連続値をとる確率分布です。
ここで x と y がこのような関係になっていると考えます。
y が連続地値で正の値しかとらないとします。
ここで y が 平均 μ のガンマ分布に従っていると仮定すると、
A=exp(a)とおくと
RのGLMの書き方は、
fit.gamma <- glm(y ~ log(x), family = Gamma(link = "log"), data = d)
summary(fit.gamma)
そして、これを IBM SPSS Modeler（Clementine）でモデル作成するとどうなるか？
まず、フィールド作成ノードでlog(x)を計算しておきます。
そして、一般化線形ノードを使い
・分布：ガンマ
・リンク関数：対数
を設定して、実行すればOK。
得られる結果は、Rと同じ結果になります。
データ解析のための統計モデリング入門 [階層ベイズ]
最近、読み進めている本があります。
非常に解りやすい本でオススメです。
Rを使ってGLM、GLMM、階層ベイズモデルを解りやすく説明しています。
Rを使う人を想定して書かれているので、実際にRをインストールして、読み進めていくのが良いかと思います。
分析をする際に統計モデルなんて不要だ、Modeler（Clementine）で十分だと思っている人も多いかと思います。
実際に、数理モデルを構築しなくても、クロス集計でたいていのことは解りますし。。。
とはいえ、知っていて損をすることはないですし、分析の流れとして、
クロス集計 → 決定木などの機械学習 → 数理モデル → 最適化
といった流れが良いんじゃないだろうか？とも思います。
また、最近、IBM SPSS Modelerのノードの中にもGLMやGLMMが実装されています。
このノード何の役に立つんだっけ？って場合にもこの本が良い参考書になりそうです。
データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学)
- 作者: 久保 拓弥
- 出版社/メーカー: 岩波書店
- 発売日: 2012/05/19
- メディア: 単行本
非常に解りやすい本でオススメです。
Rを使ってGLM、GLMM、階層ベイズモデルを解りやすく説明しています。
Rを使う人を想定して書かれているので、実際にRをインストールして、読み進めていくのが良いかと思います。
分析をする際に統計モデルなんて不要だ、Modeler（Clementine）で十分だと思っている人も多いかと思います。
実際に、数理モデルを構築しなくても、クロス集計でたいていのことは解りますし。。。
とはいえ、知っていて損をすることはないですし、分析の流れとして、
クロス集計 → 決定木などの機械学習 → 数理モデル → 最適化
といった流れが良いんじゃないだろうか？とも思います。
また、最近、IBM SPSS Modelerのノードの中にもGLMやGLMMが実装されています。
このノード何の役に立つんだっけ？って場合にもこの本が良い参考書になりそうです。
The maximum memory for the 64 bit Modeler Client should not be capped. [データサイエンス、統計モデル]
IBM SPSS Modeler（Clementine）でメモリをたくさん増やすと、起動時にJAVAのエラーが出てしまう。
メモリをたくさん使う必要があったので、調べなおしたら、使えるメモリが増えていた。
http://www-01.ibm.com/support/docview.wss?uid=swg21487451
ちなみに、JAVAのエラーが出た場合
C:\Users\\AppData\Roaming\SPSSInc\Modeler\Defaults
↑
ここにあるファイルの値を元の数字に戻せば起動できるようになります。
メモリをたくさん使う必要があったので、調べなおしたら、使えるメモリが増えていた。
http://www-01.ibm.com/support/docview.wss?uid=swg21487451
ちなみに、JAVAのエラーが出た場合
C:\Users\
KDD CUP 2013 Trac1 に参加して感じたこと [データサイエンス、統計モデル]
KDD CUP 2013 のTrac1に参加しているが、Scoreが0.968まで上がってきた。
通常の業務をやりつつ、KDDに参加しつつってこともあり、あまり時間をさけないのが残念なのだが、効率的にモデリングをしたり、変数を作ったりすることで、なんとなく解ってきたことがある。
以下、そのまとめ。
今回、テキストのデータがあるので、それを使った方が良いだろうとは思う。
しかし、LDAなどでトピックを抽出し、距離（近さ）を計算し、そのまま投入するだけでは対して精度は上がらなかった。
むしろ、ネットワークの問題と考え、ネットワークの構造をうまく変数として与えることができれば、精度が大幅に上昇した。
次にモデルに注力した方が良いのか、うまい変数作りに注力した方が良いのか？
もちろん、両方大切である。
両方大切なので、あまりに偏った分析設計をすると、時間が足りなくなってしまう。
そこで、以下のようにすれば良いのでは？と。
最初は、モデルを固定せずに、できるだけ数多くのモデル（決定木、ニューラル、SVM、ロジスティック回帰）にチャレンジした方が良い。
この時に、あまりパラメータチューニングをガリガリ行うのではなく、簡単なモデル（チューニング）であたりを付けていく感じ。
その中で、筋の良いモデルとそうでないモデルが見えてくるので、だんだんと要らないモデルを落としていく。
上記の作業を行いつつ、変数を追加していくのだが、精度の凸凹は、変数を追加しても大きく変わることはほとんどない。
新たな変数を追加したところで、そのベースからの上昇率は、どのモデルも似たり寄ったり。
この辺りで、決定木とかも単にCHAIDだけではなく、C5.0とか、流行りのrandom forestなど複数の木を試してみる。
また、不要なモデルを削除し、そして、また、変数を追加しということを繰り返していく。
最終段階に入ってくると、深い構造を作っていく必要があるのだが、boostingやbaggingといったオプションで繰り返しモデルを作っていくと、相当時間がかかる。
この辺りになると、ほぼどのモデルを使ったらいいのか見えてくるので、1,2個のモデルを使いつつ、モデルのパラメータを微調整していく。
そして、また、変数自体も微妙性していく。
なんだか、職人のような気もするが、そうしてくると、微々ではあるが精度は少しずつ上がっていくので、（もちろん、オーバフィットには注意しつつ）、後は、どれだけ時間を取れるかが、1%以下の精度の勝負の分かれ目になるんだろう。
通常の業務をやりつつ、KDDに参加しつつってこともあり、あまり時間をさけないのが残念なのだが、効率的にモデリングをしたり、変数を作ったりすることで、なんとなく解ってきたことがある。
以下、そのまとめ。
今回、テキストのデータがあるので、それを使った方が良いだろうとは思う。
しかし、LDAなどでトピックを抽出し、距離（近さ）を計算し、そのまま投入するだけでは対して精度は上がらなかった。
むしろ、ネットワークの問題と考え、ネットワークの構造をうまく変数として与えることができれば、精度が大幅に上昇した。
次にモデルに注力した方が良いのか、うまい変数作りに注力した方が良いのか？
もちろん、両方大切である。
両方大切なので、あまりに偏った分析設計をすると、時間が足りなくなってしまう。
そこで、以下のようにすれば良いのでは？と。
最初は、モデルを固定せずに、できるだけ数多くのモデル（決定木、ニューラル、SVM、ロジスティック回帰）にチャレンジした方が良い。
この時に、あまりパラメータチューニングをガリガリ行うのではなく、簡単なモデル（チューニング）であたりを付けていく感じ。
その中で、筋の良いモデルとそうでないモデルが見えてくるので、だんだんと要らないモデルを落としていく。
上記の作業を行いつつ、変数を追加していくのだが、精度の凸凹は、変数を追加しても大きく変わることはほとんどない。
新たな変数を追加したところで、そのベースからの上昇率は、どのモデルも似たり寄ったり。
この辺りで、決定木とかも単にCHAIDだけではなく、C5.0とか、流行りのrandom forestなど複数の木を試してみる。
また、不要なモデルを削除し、そして、また、変数を追加しということを繰り返していく。
最終段階に入ってくると、深い構造を作っていく必要があるのだが、boostingやbaggingといったオプションで繰り返しモデルを作っていくと、相当時間がかかる。
この辺りになると、ほぼどのモデルを使ったらいいのか見えてくるので、1,2個のモデルを使いつつ、モデルのパラメータを微調整していく。
そして、また、変数自体も微妙性していく。
なんだか、職人のような気もするが、そうしてくると、微々ではあるが精度は少しずつ上がっていくので、（もちろん、オーバフィットには注意しつつ）、後は、どれだけ時間を取れるかが、1%以下の精度の勝負の分かれ目になるんだろう。
パーティー＆ダーツラウンジ ガムランボール銀座 [寺子屋]
今日は、久々に寺子屋メンバーとの飲み会。
パーティー＆ダーツラウンジ ガムランボール銀座
http://www.hotpepper.jp/strJ000739343/
ちょっと微妙な感じもしますが、、、レポートは後程。
パーティー＆ダーツラウンジ ガムランボール銀座
http://www.hotpepper.jp/strJ000739343/
ちょっと微妙な感じもしますが、、、レポートは後程。
