Tokyo.Rに行ってきた

Tokyo.R勉強会に行ってきました。

内容盛り沢山で、刺激的ですね。

個人的には時系列分析を行うxtsパッケージとgoogleVisとの連携が実践的に使えそうに思いました。

xts(zoo）のローリング機能はリサーチ（POS等の小売データなど）では有用ですし、googlevisとの連携は顧客によってはレポートとして魅力的ですね。

=＝＝＝＝＝＝＝＝＝＝＝＝＝＝（以下メモ）=＝＝＝＝＝＝＝＝＝＝＝＝＝＝

○生存時間分析
　-2種類の打ち切り（censered data)
　-ハザード関数
　-ノンパラ、セミノンパラ、パラメト（共変量、分布の過程）
　
　-ノンパラ：確率分布を仮定しない（共変量、分布仮定しない）
　　-経験分布（カプランマイヤー）、ハザード関数
　　-survival
　　 -surv,survfit
　　 -信頼区間推定→群間差分の検討？なのか？
　　
　-セミノンパラ：コックス比例ハザード
　　-複数共変量の検討
　　-ハザード比一定の検討は必要
　　-交互作用検討可能
　-パラメトリック
　　-生存時間が確率分布に従うという仮定
　　
○混合正規分布
　-混合分布による教師なしクラスタリング（EM推定）
　-複数の要素正規分布からmixtureが構成されるとき、要素をクラスタと考える
　　→事後確率を導出→推定
　　→クラスタラベルをとくため、EM推定
　　
　-Mclust→Mclust2Dplot,cdens,map
　
○時系列分析
　-xtsパッケージ
　-ベースはzooオブジェクト
　-他クラスへの（からの）変換制御が容易
　-機能拡張が容易
　-zoo関数：rollapply
　-stackoverflowを参考に

○時系列分析による異常検知
　-大量なデータから異常なデータ、変化を検出する技術
　　→障害発生から原因検出までの早期対処
　-確率モデルの学習→スコアリング-→アウトプット
　-基本的な異常検知
　　-はずれ値検出：独立モデル、外れ値、多次元ベクトル
　　-変化点検出：時系列モデル、多次元時系列、時系列上の急激な変化・バースト的異常
　　-異常行動検出：行動モデル、セッション時系列、異常行動パターン→障害予兆検出
　-変化点検出の必要性
　　-閾値設定の検出では手遅れのケースも→発生時点での検出が特に重要なケースで有効
　-変化点検出の概要
　　-変化点前後の時系列モデルへの当てはまりで検出
　　-PreError+Posterror