FirefoxからChromeへの移行完了

今までFirefoxChromeを併用してきたのですが,思い切ってFirefoxを切ってChromeだけ使うようにしました.全面移行に関して立ちはだかる壁は2つあり,1つは縦型タブ(ツリー型タブ),もうひとつは今までのウェブの閲覧履歴.縦型タブに関しては,ChromeのVerticalTabsで代用し,履歴についてはChromeにインポートする形でなんとかしました.といっても,どちらもかなり不完全な形での導入なので,これからもFirefoxはちまちま使っていくと思いますが,取り敢えずはChromeだけで何とかするようにしたいところです.
すでにタブはひどい感じです.VerticalTabsはいちいち開くのがめんどくさいので,ショートカットキーもしくは常駐のoptionが欲しいところですね.常時タブを何十個も広げたままにする人間にとって,如何に大量のタブの中に規則性を作ってタブの切替を容易にするかは,タブを操る上での生命線と言っても過言ではないです.今までにタブの開きすぎという指摘を幾度と無く受けてきましたが,コレばかりは性格なのかなかなか治りそうにありません.仕方が無いですね....

FastQCの結果をaviewで観ようとしたが失敗した

これは自分も結構悩んでいる問題で,簡単にコマンドラインから結果を簡単に見られれば最高なのに...と思って色々模索していたら
ターミナル内で画像を表示するコマンド - デー
に行き着きました.
ということで,aview入れていざ表示してみたら

うおーこれは駄目だ.


ちなみに,こっちはoptionで-inverseつけたら上手く行きました

TeX&dvipngを使ってスライドに貼るための数式の画像を作成する

数式などをスライドに載せる際に使っている方法です.1年ぶりくらいに使ったのですが,ほぼ忘れかけてたのでメモ.
基本的には,texで書いた数式をコンパイルして出てきたdviをdvipngに投げると画像が出力されるので,それをKeynoteなりPowerPointなりに貼り付ける方法を使っています.

主要な情報は以下のサイトを参考にしています.
dvipng - [物理のかぎしっぽ]


TeXコンパイルの部分はカット.私はyatexを使っています.

dvipng hoge.dvi -T tight -bd 1000 -Q 5 --gamma 1.1 -D 1000 -o hoge1000.png

「-D num」を指定することによって,画像のサイズ(dpi)を設定しています.デフォルトの出力の場合は画像が小さすぎてスライドに載せるときに粗くなってしまうため,なるべく高解像度のものを出力させてからサイズを縮めるといいと思います.

ラプラシアン固有マップ法とガウシアンカーネルの二種類でカーネル主成分分析

最近某ラボで「カーネル多変量解析―非線形データ解析の新しい展開 (シリーズ確率と情報の科学)」の輪講に参加させてもらっています.丁度自分がカーネル主成分分析の項を発表するので,試しにRでやってみました.というか,Rで実際にやらないと数式追うだけじゃ何やってるかさっぱりという....


ということで,ラプラシアン固有マップ法と通常のガウシアンカーネルの二種類の方法で,カーネル主成分分析を実行してみました.今回は実装部分は端折って,カーネル主成分分析を含むパッケージであるkernlabを使っています.

といっても,ただ実行するだけではアレなので,「カーネル多変量解析」のP.53に書かれている

ラプラシアン固有マップ法はもとのカーネル主成分分析ほどカーネル関数のパラメータに敏感ではなくなっている.
カーネル多変量解析―非線形データ解析の新しい展開 (シリーズ確率と情報の科学) P.55

を検証してみることに.データセットはR定番のirisです.

下準備とデータの特徴

library(kernlab)
data(iris)

x <- as.matrix(iris[,-5])
pairs(x,col=as.integer(iris[,5]))


Rで何かしらやったことがある人ならおなじみのirisです.個体データは3種類(上の図では黒setosa,赤versicolor,緑virginica)に分類されており,それぞれ4つのパラメータ(Sepal.Length, Sepal.Width,Petal.Length,Petal.Width)があります.

ラプラシアン固有マップ法を用いたカーネル主成分分析

sigma <- seq(0.1,1.1,by=0.2)
par(mfrow=c(2,3))

# カーネル:ラプラシアン (ラプラシアン固有マップ法)
for(i in 1:length(sigma)){
  iris.kpcl <- kpca(x,kernel="laplacedot",
                    features=2,
                    kpar=list(sigma=sigma[i])
                    )
  plot(pcv(iris.kpcl), col=as.integer(iris[,5]),
       main="laplacedot",
       xlab=paste("sigma = ",as.character(sigma[i])))
}

ガウシアンカーネルを用いたカーネル主成分分析

# カーネル:ガウシアン
for(i in 1:length(sigma)){
  iris.kpcl <- kpca(x,kernel="rbfdot",
                    features=2,
                    kpar=list(sigma=sigma[i])
                    )
  plot(pcv(iris.kpcl), col=as.integer(iris[,5]),
       main="rbfdot",
       xlab=paste("sigma = ",as.character(sigma[i])))
}

このグラフは,左上から右下にかけてσの値を0.1から1.1に掛けて0.2刻みで変化させたときの,カーネル主成分分析の結果です.ガウシアンカーネルラプラシアン固有マップ法を見比べると,確かに全体的な形として変化の度合いが違いますね.ガウシアンカーネルを用いたパラメータ変化のほうが,形の変化が激しいような印象です.「カーネル関数のパラメータに敏感」かどうか厳密な説明は出来ないのですが,σの値を変化させることによって2次元平面に射影した図がどれだけ変化するのかといったことは,この2つのグラフから見て取れると思います.σの値をもっと大幅に変化させてアニメーションなんかにすると面白いかもしれないですね.


参考文献:

カーネル多変量解析―非線形データ解析の新しい展開 (シリーズ確率と情報の科学)

カーネル多変量解析―非線形データ解析の新しい展開 (シリーズ確率と情報の科学)