ggolot2でくらべる飛行機－ジェット戦闘機編
「ggplot2によるデータの視覚化」 第二弾はジェット戦闘機編
子供の頃から、何かしら自分の作品を出して
LEVIN と TRUENO と名付けたかったんだけど、
今回使ったグラフ描画時の theme に無理矢理 LEVIN と TRUENO と名付けてみた。
こっちが theme_trueno (雷鳴) で
こっちが theme_levin (稲妻)
本の目次
はじめに
1. ggplot2 による散布図の描画
1.1. 単純な散布図
1.2. 国ごとに色を変える
1.3. グラフのタイトル、横軸、縦軸を指定する
1.4. 凡例のタイトル、ラベルを指定する
1.5. 凡例の表示場所を指定する
1.6. 凡例のラベル表示順を変更する
1.7. 横軸・縦軸の数字の刻み幅を変える
1.8. フォントを指定する
1.9. テーマを指定する
1.10. カラーパレットを指定する
1.11. 色をマニュアル指定する
1.12. 確率楕円を描画する
1.13. 回帰直線を描画する
1.14. 回帰曲線を描画する
1.15. 機種を表示する
2. 項目の推移を視覚化
最大離陸重量の推移
推力の推移
空虚重量の推移
翼面積の推移
全長の推移
全幅の推移
上昇率の推移
最大速度の推移
航続距離の推移
フェリー距離の推移
推力重量比の推移
翼面推力の推移
翼面荷重の推移
能力指数の推移
3. ２変量による散布図で各国の特徴を視覚化
推力と最大離陸重量
空虚重量と翼面積
全長と全幅
推力と上昇率
推力と最大速度
最大速度と航続距離
推力とフェリー距離
推力重量比と翼面推力
推力重量比と翼面荷重
推力と能力指数
4. 相対的な関係を視覚化
4.1. ユークリッド距離
4.2. マハラノビス距離
4.3. ピアソンの積率相関係数
4.4. 余弦類似度
5. 多変量データを次元削減して視覚化
5.1. 因子分析 FA：Factor Analysis
5.1.1. 回帰法(regression) & 直交回転
5.1.2. バートレット法(Bartlett) & 斜交回転
5.2. 主成分分析 PCA：Principal Component Analysis
5.2.1. 固有値分解
5.2.2. 特異値分解
5.3. カーネル主成分分析 KPCA：Kernel Principal Component Analysis
5.3.1. ガウスカーネル
5.3.2. 多項式カーネル
5.3.3. 線形カーネル
5.3.4. タンジェントカーネル
5.3.5. ラプラシアンカーネル
5.3.6. ベッセルカーネル
5.3.7. スプラインカーネル
5.4. 独立成分分析 ICA：Independent Component Analysis
5.5. 正準判別分析 CDA：Canonical Discriminant Analysis
5.6. 冗長性分析 RDA：Redundancy Analysis
5.7. t-SNE：t-distributed Stochastic Neighbor Embedding
5.8. UMAP：Uniform Manifold Approximation and Projection
5.9. 因子分析、主成分分析などの結果を描画
5.9.1. 因子分析の結果を描画 (因子得点のみ)
5.9.2. 因子分析の結果を描画 (因子負荷量のみ)
5.9.3. 因子得点と因子負荷量を合わせて描画
5.9.4. 因子負荷量の値が因子得点に比べて小さいので調整する
5.9.5. 因子負荷量を矢印で表す
5.9.6. カラーパレットを使う
5.9.7. 因子負荷量を凡例に出力しない
6. 似かよった個体を木構造でグループ化
6.1. 最近隣法(最短距離法)
6.2. 最遠隣法(最長距離法)
6.3. 群平均法
6.4. 重心法
6.5. メディアン法
6.6. ウォード法
7. 似かよった個体を平面上でグループ化
7.1. k平均法
Hartigan-Wong 法
Lloyd 法
Forgy 法
MacQueen 法
7.2. k-medoids 法
7.3. 混合分布モデル
7.4. 自己組織化マップ SOM：Self-Organizing Map
8. 予め分類したデータに基づいてグループ化 (教師あり学習)
8.1. 線形判別分析 Linear Discriminant Analysis
8.2. ロジスティック判別分析 Logistic Discriminant Analysis
8.3. 二次判別分析 Quadratic Discriminant Analysis
8.4. 混合判別分析 Mixture Discriminant Analysis
8.5. フレキシブル判別分析 Flexible Discriminant Analysis
8.6. 正則化判別分析 Regularized Discriminant Analysis
8.7. k最近傍法(k最近隣法) k-Nearest Neighbor Algorithm
8.8. ナイーブベイズ法(単純ベイズ法) Naive Bayes Classifier
8.9. サポートベクターマシン Support-Vector Machine
8.10. ニューラルネットワーク Neural Network
8.11. 決定木 Decision Tree
8.12. ランダムフォレスト Random Forest
8.13. 勾配ブースティング Gradient Boosting
8.14. 深層学習 Deep Learning
8.15. 判別分析などの結果を描画
8.15.1. 線形判別の結果を描画
8.15.2. それぞれの判定領域を塗り分ける
8.15.3. 判定領域ごとの塗り分けと散布図とを重ねて描画
8.15.4. 等高線を描画する
8.15.5. 散布図と等高線を重ねて描画
9. さまざまな指標を１つのグラフで比較する
9.1. パラレルチャート
9.2. 複数のグラフを1つのプロットに表示
9.3. coord_polarを使用する
9.4. geom_polygon を使用する
9.5. coord_radar を使用する
9.6. オリジナルテーマを使う
おわりに
