• 熊谷 悦生, 舟尾 暢男, 2007: Rで学ぶデータマイニング I — データ解析の視点から。九天社。
• 熊谷 悦生, 舟尾 暢男, 2008: Rで学ぶデータマイニング I — データ解析編。オーム社, 252 pp.+CD-ROM, ISBN 978-4-274-06746-4. [わたしはこの版を読んでいる。]

【Rの技術書の「在庫整理」はこれで一段落としておく。まだいくつかあるが、読書メモはほかの題材の本にうつることにしたい。】

本書は、2007年5月に九天社から出た本が、出版社が倒産して売られなくなってしまったので、2008年11月にあらためてオーム社から出版された。参照されている R のバージョンは 2.4.1 で、付録のCD-ROMにもそのバージョン(Windows、Mac、Linux (Vine, Fedora core, Suse) むけ)が収録されている。

わたしは2009年7月に買った。なお、第2巻「シミュレーション編」は買わなかった。ちょっとめくってみて、わたしの専門分野(地球科学)のシミュレーションとはだいぶちがうという印象をもったからである。

著者の熊谷さんは、大学の基礎工学部というところの教員で、統計学者といってよいと思うが、むしろ(本書出版のころではなくいまの用語で) データサイエンスのための技術をおしえている人だといったほうがよさそうだ。舟尾さんは数理科学の大学院を出て企業につとめている人で、個人ウェブサイトでR についての知識を提供している。その内容のうち「R Tips」は本にもなっている。

「データマイニング」は、「はじめに」で、「データという鉱山から「統計的な手法」などを施すことで「宝石」を見つける」ことだと説明されている。「宝石」とは、「有益なルール」「意外なパターン」「意思決定につながる情報」などをさすという。データマイニングのアプローチは標準的な統計学のアプローチとどうちがうかという話もある。わたしなりに言いかえれば、データマイニングは「探索型データ解析」なのだと思う。ただし「探索型データ解析」を、John Tukey 先生の主張や (紙と鉛筆の時代に開発された) その技法をさすのではなく(それもふくんでよいのだが)、もっと一般的な態度としてとらえた意味でだ。

本書は、Rのインストール、起動、終了や、プログラムの編集のしかたや、Rでつくったグラフを保存する方法について、MS Windows、Mac、Linuxのばあいについて説明している。まわりに利用者がいない読者に対しても親切な配慮だ。

それにつづいて第1部では、Rの文法事項の説明がある。そしてとくに「データフレーム」というデータ構造について、なかみのはいったデータフレームをつくるにはどのようにしてデータを入れたらよいのか(いろいろな方法)、データを見ること、抽出、ならべかえ(sorting)、編集、データの欠損や異常値のチェック・修正などの方法をのべている。

第2部では、まず、データの分布をグラフでみること、おもにヒストグラムと散布図をかく (要約統計量や相関係数の計算もする) ことを説明している。(ここまでは、基本的にはわたしもわかっていることだが、知らなかった方法もあって参考になった。ただし「3次元円グラフ」(pie3D)は すすめないほうがよいと思う。)
それから「判別」あるいは「分類」の話題になる。データにいくつかのグループに属するものがまざっていることがわかっていて、定量的な数量の情報からどのグループに属するかという定性的な情報を推定する問題だ(とわたしは理解した)。おもに「回帰木」という方法が紹介され、「判別分析」「ニューラル ネットワーク」「サポート ベクター マシーン」による方法もあることが紹介されている。ただし、それぞれについて R のパッケージがつくられていてこうすれば利用できるという話だけで、回帰木以外の技法の理屈の説明はない。この部分は、わたしは勉強しておらず、いまだにうとい分野だ。

第2部の後半では、現実のデータにふれる。いくつかの例がある。そのうち「漢字問題」は、日本漢字能力検定協会のデータをつかって議論しているが、「協会の検定基準の設定が妥当かどうかを吟味する必要があるのかもしれません」とも言っている。【わたしとしては、この協会が漢字の読み書きについては特殊な利害関係者であることに注意して見るべきだと思う。】

少子化問題を動機として、日本の出生率に関する解析がこころみられる。ただし著者は人口学の専門家ではなく、本書で、学術的に、あるいは政策の根拠として、この問題に答えようとしているわけではない。現実世界についての例題として、多くの人が関心をもち、データの権利問題が生じそうもない公共機関が提供するデータをつかってできるものをしめしたかったのだろう。日本の統計は 国立社会保障・人口問題研究所 や 総務省統計局 統計研修所、国際的な統計は OECD が、それぞれインターネットに公開しているデータをつかっている。回帰分析につかうモデルの選択のところで、AIC (赤池の情報量基準) がでてくる。(「基準」「規準」の文字づかいが統一されていないが、どちらもありうる。英語では criterion。) 【結果はわかりやすいものではないが、そもそも、国単位あるいは都道府県単位の集計値をもとに統計的に言えることから因果関係にせまるのはむずかしいのだと思う。】

折りかえしのあとに くわしい目次をつける。

== 目次 ==
はじめに
CD-ROMについて
第1部 基本知識編
第1章 R のインストール
– 1.1 Windows 版 R のインストール
– 1.2 Mac OS X 版 R のインストール
– 1.3 Linux 版 R のインストール
– – 1.3.1 vinelinux, SUSE Linux, Fedora Core へのインストール例
– – 1.3.2 DebianGNU/Linux へのインストール例
第2章 R の起動
– 2.1 Windows 版 R の場合
– 2.2 Mac OS X 版 R の場合
– 2.3 Linux 版 R の場合
第3章 R の終了
– 3.1 Windows 版 R の場合
– 3.2 Mac OS X 版 R の場合
– 3.3 Linux 版 R の場合
第4章 簡単な計算方法
第5章 R 用 エディタと本文の記載方法について
– 5.1 Windows 版 R の場合
– 5.2 Mac OS X 版 R の場合
– 5.3 Linux 版 R の場合
– 5.4 本文の記載方法について
第6章 パッケージの呼び出しとインストール
– 6.1 パッケージの呼び出し
– 6.2 パッケージのインストール
第7章 関数の使用方法と定義方法
– 7.1 関数の使用方法
– 7.2 関数の定義方法
第8章 演算子・条件分岐・繰り返し
– 8.1 比較演算子・論理演算子
– 8.2 条件分岐: if
– 8.3 繰り返し: for
第9章 ベクトル
– 9.1 ベクトルの作成
– 9.2 ベクトル用の関数
– 9.3 ベクトル要素の取り出し
第10章 種々のベクトル
– 10.1 論理型ベクトル
– 10.2 文字型ベクトル
– 10.3 因子型ベクトル
– 10.4 型の検査・型の変換
第11章 行列
– 11.1 行列の作成
– 11.2 行列の計算
– 11.3 行列要素の取り出し
第12章 欠損値 NA
第13章 作業ディレクトリの変更
第14章 データフレームの作成
– 14.1 ベクトルからデータフレームを作成する
– 14.2 行列からデータフレームを作成する
– 14.3 テキストファイルからデータフレームを作成する
– – 14.3.1 作業ディレクトリの変更
– – 14.3.2 テキストファイルからデータフレームを作成
– – 14.3.3 テキストファイルの種類とファイルの読み込み
– 14.4 Excel ファイル や Access ファイル からデータフレームを作成する
– – 14.4.1 Excel ファイル や Access ファイルの読み込み
– – 14.4.2 SQL の命令を用いたファイルの読み込み
– – 14.4.3 パッケージ xlsReadWrite を使ったデータの読み込み
– – 14.4.4 外部ファイルへのデータの出力
第15章 データ・ハンドリング
– 15.1 データフレームの閲覧方法
– 15.2 データの編集・加工
– – 15.2.1 データの取り出し
– – 15.2.2 データの並べ替え・ソート
– – 15.2.3 データの編集・加工
– 15.3 データのクリーニング
– – 15.3.1 データ型チェック
– – 15.3.2 異常値チェック (1)
– – 15.3.3 欠測値チェック
– – 15.3.4 異常値チェック (2)
– – 15.3.5 重複レコードチェック
第2部 グラフとデータマイニング
第16章 グラフとデータマイニング
– 16.1 準備
– – 16.1.1 フィッシャーのアヤメのデータ 「iris」
– – 16.1.2 データマイニングの手順
– – 16.1.3 データ「iris」の R への読み込み
– – 16.1.4 データ「iris」の閲覧
– 16.2 データを要約する・層別する
– – 16.2.1 ヒストグラムを描く
– – 16.2.2 要約統計量を算出
– – 16.2.3 層別にヒストグラムを描く
– – 16.2.4 層別に要約統計量を算出する (1)
– – 16.2.5 層別に要約統計量を算出する (2)
– – 16.2.6 ここまでのまとめ
– 16.3 データの散布図と相関係数
– – 16.3.1 散布図を描く
– – 16.3.2 相関係数の算出
– – 16.3.3 3次元散布図
– – 16.3.4 ここまでのまとめ
– 16.4 回帰木による判別・予測
– – 16.4.1 回帰木の生成と分類ルールの作成
– – 16.4.2 回帰木による判別
– 16.5 判別に関する手法あれこれ
– – 16.5.1 判別分析による判別
– – 16.5.2 ニューラルネットワークによる判別
– – 16.5.3 サポートベクターマシンによる判別
– – 16.5.4 ここまでのまとめ
– 16.6 [おまけ] アソシエーション・ルール
– – 16.6.1 リストデータを用いた解析
– – 16.6.2 バイナリデータを用いた解析
第17章 グラフの保存
– 17.1 Windows 版 R の場合
– 17.2 Mac OS X 版 R の場合
– 17.3 Linux 版 R の場合
第18章 メディア等に溢れるデータ
– 18.1 交通事故死者数データ
– 18.2 漢字問題データ
– 18.3 インフルエンザワクチンの有効率データ
第19章 合計特殊出生率と少子化
– 18.1 少子化対策に関するこれまでの取り組み
– 19.2 女性が産む子供の平均数
– – 19.2.1 平均出生数
– – 19.2.2 合計特殊出生率
– 19.3 確率分布を想定した解析
– – 19.3.1 ポアソン分布を想定した解析
– – 19.3.2 正規分布を想定した解析
– 19.4 コホート分析
– – 19.4.1 出生率における婚姻率と離婚率の関係
– 19.5 回帰分析とモデル選択
– – 19.5.1 回帰分析と変数選択
– – 19.5.2 回帰分析を行う手順
– – 19.5.3 回帰分析を行う
– – 19.5.4 情報量規準 AIC によるモデル選択
– – 19.5.5 AIC を用いる手順
– – 19.5.6 AIC を用いる例
– – 19.5.7 「婚姻率と離婚率の合計」と「出生率」との単回帰分析
– 19.6 都道府県別合計特殊出生率に関する重回帰分析
– – 19.6.1 合計特殊出生率に関する重回帰分析
– – 19.6.2 3種類の相関係数を出力する関数 cor3()
– – 19.6.3 共稼ぎ世帯と合計特殊出生率
– – 19.6.4 第三次産業就業者比率と合計特殊出生率
– – 19.6.5 情報量基準 AIC によるモデル選択
– 19.7 OECD 諸国に見る女性労働力率と合計特殊出生率
– – 19.7.1 1997年版 OECD データでの検証
– – 19.7.2 女性労働力率と合計特殊出生率との単回帰分析
– – 19.7.3 情報量基準 AIC による変数選択
– – 19.7.4 相関図の検証
– – 19.7.5 2004年度 OECD データに関する重回帰分析
– – – 女性労働力率と合計特殊出生率の相関図
– – – OECD データに関する 2種類の重回帰分析
– 19.8 まとめ
参考文献
索引 (Index)