Pythonによるベイズ統計モデリング
―PyMCでのデータ分析実践ガイド―
| 著者 | Osvaldo Martin 著・ 金子 武久 訳 |
|---|---|
| 分野 |
数学
> データサイエンス 情報・コンピュータ > プログラミング・言語 > Python |
| 発売日 | 2018/06/26 |
| ISBN | 9784320113374 |
| 体裁 | B5変・296頁 |
| 定価 | 3,960円 （本体3,600円 + 税10%） |
確率プログラミングのライブラリPyMC3を使ったベイズ統計モデリングの基本を、シンプルなデータを用いて実践的に解説。次のことが学べます。
● ベイズ統計モデリングの概念を理解する
● PyMC3を使って統計モデルを構築する
● モデルの健全性をチェックし、必要に応じてモデルを修正・拡張する
● どのモデルを用いたらよいかを決定する
● モデルに階層構造を組み入れて活用する
● 回帰分析を使って、目的としている連続的な結果変数を予測する
● ロジスティック回帰やソフトマックス回帰を用いて判別する
本書ではPythonのインストールからPyMC3による統計モデルの実装、チェック、拡張まで解説しています。理論的な説明は必要最小限にして、また数式による説明は概念をより理解できる場合に限っています。Pythonプログラミングやベイズ統計学についての知識がほとんどない人でも、本書のコードを実行することを通して、ベイズ統計モデリングの概念やデータ分析にベイズ統計をどう応用するか、といったことが実践的に学べるでしょう。
本書ではとくにベイズ流の回帰分析の考え方を詳しく紹介しています。回帰や判別の問題では一般化線形モデルを扱い、さらに混合モデルや階層モデルも取り上げます。モデル選択については、情報量規準としてAIC、DIC、WAIC、LOOなど、またベイズファクターについても解説しています。最終章では、ノンパラメトリックモデル、カーネルベースモデル、ガウス過程といった高度な話題についても入門的な解説をしています。
なお、原著にあった誤記やコードの不具合は、原著者に確認した上で修正してあります。また、訳者がPyMC3を使用して、本書に掲載されているすべてのコードがWindows、Mac、Linux上で動作することを確認しました。さらに、Windows上でこれらのコードを動作させるためのヒントも「訳者まえがき」に記載しました。
[原著：Bayesian Analysis with Python]
● ベイズ統計モデリングの概念を理解する
● PyMC3を使って統計モデルを構築する
● モデルの健全性をチェックし、必要に応じてモデルを修正・拡張する
● どのモデルを用いたらよいかを決定する
● モデルに階層構造を組み入れて活用する
● 回帰分析を使って、目的としている連続的な結果変数を予測する
● ロジスティック回帰やソフトマックス回帰を用いて判別する
本書ではPythonのインストールからPyMC3による統計モデルの実装、チェック、拡張まで解説しています。理論的な説明は必要最小限にして、また数式による説明は概念をより理解できる場合に限っています。Pythonプログラミングやベイズ統計学についての知識がほとんどない人でも、本書のコードを実行することを通して、ベイズ統計モデリングの概念やデータ分析にベイズ統計をどう応用するか、といったことが実践的に学べるでしょう。
本書ではとくにベイズ流の回帰分析の考え方を詳しく紹介しています。回帰や判別の問題では一般化線形モデルを扱い、さらに混合モデルや階層モデルも取り上げます。モデル選択については、情報量規準としてAIC、DIC、WAIC、LOOなど、またベイズファクターについても解説しています。最終章では、ノンパラメトリックモデル、カーネルベースモデル、ガウス過程といった高度な話題についても入門的な解説をしています。
なお、原著にあった誤記やコードの不具合は、原著者に確認した上で修正してあります。また、訳者がPyMC3を使用して、本書に掲載されているすべてのコードがWindows、Mac、Linux上で動作することを確認しました。さらに、Windows上でこれらのコードを動作させるためのヒントも「訳者まえがき」に記載しました。
[原著：Bayesian Analysis with Python]
第1章 確率的に考える－ベイジアン推論入門
1.1 モデリングの一つの方式としての統計学
1.2 確率と不確実性
1.3 単一パラメータ推論
1.4 ベイジアン分析の情報伝達
1.5 事後予測チェック
1.6 まとめ
1.7 演習
第2章 確率プログラミング－PyMC3入門
2.1 確率プログラミング
2.2 PyMC3入門
2.3 事後分布の要約
2.4 まとめ
2.5 続けて読みたい文献
2.6 演習
第3章 複数パラメータの取り扱いと階層モデル
3.1 迷惑パラメータと周辺化された分布
3.2 あらゆるところで正規性
3.3 グループ間の比較
3.4 階層モデル
3.5 まとめ
3.6 続けて読みたい文献
3.7 演習
第4章 線形回帰モデルによるデータの理解と予測
4.1 線形単回帰
4.2 頑健線形回帰
4.3 階層線形回帰
4.4 多項式回帰
4.5 線形重回帰
4.6 glmモジュール
4.7 まとめ
4.8 続けて読みたい文献
4.9 演習
第5章 ロジスティック回帰による結果変数の分類
5.1 ロジスティック回帰
5.2 多重ロジスティック回帰
5.3 判別モデルと生成モデル
5.4 まとめ
5.5 続けて読みたい文献
5.6 演習
第6章 モデル比較
6.1 オッカムのカミソリ－単純さと精度
6.2 事前分布の正則化
6.3 予測精度
6.4 ベイズファクター
6.5 ベイズファクターと情報量規準
6.6 まとめ
6.7 続けて読みたい文献
6.8 演習
第7章 混合モデル
7.1 混合モデル
7.2 モデルベースクラスタリング
7.3 連続型混合モデル
7.4 まとめ
7.5 続けて読みたい文献
7.6 演習
第8章 ガウス過程
8.1 ノンパラメトリック統計学
8.2 カーネルベースモデル
8.3 ガウス過程
8.4 まとめ
8.5 続けて読みたい文献
8.6 演習
訳者あとがき
著者とレビューアについて
索引
1.1 モデリングの一つの方式としての統計学
1.2 確率と不確実性
1.3 単一パラメータ推論
1.4 ベイジアン分析の情報伝達
1.5 事後予測チェック
1.6 まとめ
1.7 演習
第2章 確率プログラミング－PyMC3入門
2.1 確率プログラミング
2.2 PyMC3入門
2.3 事後分布の要約
2.4 まとめ
2.5 続けて読みたい文献
2.6 演習
第3章 複数パラメータの取り扱いと階層モデル
3.1 迷惑パラメータと周辺化された分布
3.2 あらゆるところで正規性
3.3 グループ間の比較
3.4 階層モデル
3.5 まとめ
3.6 続けて読みたい文献
3.7 演習
第4章 線形回帰モデルによるデータの理解と予測
4.1 線形単回帰
4.2 頑健線形回帰
4.3 階層線形回帰
4.4 多項式回帰
4.5 線形重回帰
4.6 glmモジュール
4.7 まとめ
4.8 続けて読みたい文献
4.9 演習
第5章 ロジスティック回帰による結果変数の分類
5.1 ロジスティック回帰
5.2 多重ロジスティック回帰
5.3 判別モデルと生成モデル
5.4 まとめ
5.5 続けて読みたい文献
5.6 演習
第6章 モデル比較
6.1 オッカムのカミソリ－単純さと精度
6.2 事前分布の正則化
6.3 予測精度
6.4 ベイズファクター
6.5 ベイズファクターと情報量規準
6.6 まとめ
6.7 続けて読みたい文献
6.8 演習
第7章 混合モデル
7.1 混合モデル
7.2 モデルベースクラスタリング
7.3 連続型混合モデル
7.4 まとめ
7.5 続けて読みたい文献
7.6 演習
第8章 ガウス過程
8.1 ノンパラメトリック統計学
8.2 カーネルベースモデル
8.3 ガウス過程
8.4 まとめ
8.5 続けて読みたい文献
8.6 演習
訳者あとがき
著者とレビューアについて
索引
