RとPythonで学ぶ［実践的］データサイエンス＆機械学習

サポートページ

 

この記事を読むのに必要な時間：およそ 0.5 分

ダウンロード

付録記事のダウンロード

本書をご購入いただいた方は，次の特別記事をダウンロードしてお読みいただけます。

  • Anacondaのインストール
  • RとRStudioのインストール
  • RStudioの使い方
  • Jupyter Notebookの使い方
  • Anacondaでのライブラリ追加方法

ご購入の証明として，以下の場所に記載された文字列をご入力のうえ，ダウンロード後に解凍してご利用ください。

ExtraIssue20190325.zip（4MB）

なお，本書の増補改訂版をご利用の方は次のURLからダウンロードください。

サンプルソースのダウンロード

（2019年11月25日更新）

本書のサンプルソースがダウンロードできます。
ダウンロード
sample20191122.zip（約310KB）

解凍すると章ごとフォルダにサンプルが配置されています。

3.2.04.ModelComparison.R（P.155）のコメント行を修正したので差し替えました。

補足情報

［Viewer］タブでの表示について

（2019年12月16日更新）

P.275の1～3行目に記載されている［Viewer］タブでの表示について，Windows上でRStudioを使用している場合に，正常にプロットが表示されないことがあります。その場合は［Viewer］タブにある［矢印と四角］のアイコン（下図参照）をクリックしてください。クリックするとWebブラウザが起動し，ブラウザ上にプロットが表示されます。

画像

ライブラリtabplotを使った際のエラーについて

（以下2019年11月11日更新）

Rの新バージョン（3.6以降）とRStudioの旧バージョンの組み合わせにおいて，P.308のリスト4.8で，ライブラリtabplotを使って次のコードを実行する際にエラーが発生することが確認されています。


tableplot(DF[, -1], sortCol ="契約")
tableplot(DF[, -1], sortCol ="通話分数")

・エラーメッセージ
Error in if (by < 1) stop("'by' must be > 0")（以下略）

エラーを回避するためには，RStudioを最新のバージョンにアップデートしてください。

2019年11月5日現在の最新版は次のとおりです。

  • RStudio 1.2.5019
  • R 3.6.1
  • tabplot 1.3-3
（以下2019年3月26日更新）

図3.15（P.129）のプロットをWindows環境で描画すると文字化けが生じる場合があります。その場合，リスト3.3「3.1.04.Correlation.R」（P.124）の関数qgrah()内の引数に次の1行を挿入してください（P.125の下から10行目に相当する箇所／#③相関係数のグラフ表示内）。


labels=colnames(COR), #ラベルを省略せずに表示

お詫びと訂正（正誤表）

本書の以下の部分に誤りがありました。ここに訂正するとともに，ご迷惑をおかけしたことを深くお詫び申し上げます。

（2021年2月5日最終更新）

P.254 図4.14：英語の成績

誤 98，85，NA，85，85
正 98，85，72，NA，85

P.255 本文：「ペアワイズ」項の上から5行目

誤 4名分のケースを使うことができます。
正 3名分のケースを使うことができます。

（以下2020年2月13日更新）

P.90　例2.40の上から4行目のコメント

誤#row 2, column 1
正#row 1, column 2

（以下2019年11月25日更新）

P.155　リスト3.6の中16～22行目のコメント

誤 

#目的変数の値について、モデル上の理論値を求める
#＝モデルを元のデータDFに当てはめて、DFの説明変数に
#　基づく予測値を算出する

#関数predict()：モデルをデータに当てはめ予測値を算出
#ここではモデルを作成した際のデータをそのまま使う
#説明変数の値のみが予測に使われる
正 

#目的変数の値について、モデル上の理論値を図示する

#　モデル上の理論値
#　＝モデルをDFの説明変数の値に当てはめた場合の予測値

#理論値はモデル作成の際にfitted.valuesとして格納されている
#実測値との差（残差）は同様にresidualsとして格納されている

（以下2019年9月11日更新）

P.325　リスト4.8内 下から17行目

誤 

box.col = c("pink", "palegreen3")[CRT1$frame$yval])
正 

box.col = c("pink", "palegreen3")[CRT3$frame$yval])

P.329　本文 下から2行目

誤 実測値と一致します。
正 ロジスティック回帰による予測結果と一致します。

（以下2019年7月23日更新）

P.329　図4.47：枝を買った決定木

末端ノード（9）の一部の文字と背景色を変更しました。

zu4.47.png

（以下2019年7月2日更新）

P.47　例2.7：ベクトルへの要素の追加（上から3～4行目）

誤 [1] 2 2 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
[20] 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64
正 [1] 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
[20] 42 44 46 48 50 52 54 56 58 60 62 64

P.47　例2.7：ベクトルへの要素の追加（下から1～2行目）

誤 [1] 2 2 2 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
[20] 34 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64 64 64 64
正 [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38
[20] 40 42 44 46 48 50 52 54 56 58 60 62 64

（以下2019年6月25日更新）

P.82　(3)条件分岐の構文

コード例がRの記述になっておりました。

誤 

if (論理式) {
    論理式の評価がTRUEの場合の処理
} else {
    上記以外の場合の処理
}
正 

if 論理式 :
    論理式の評価がTRUEの場合の処理
else :
    上記以外の場合の処理

（以下2019年5月31日更新）

※以降の訂正は第2刷では修正されています。

P.15　本文 上から7行目

誤 その商品が落ちたのか、
正 どの商品が落ちたのか、

P.20　本文 下から3行目

誤 といるルールで
正 というルールで

P.51　リスト2.2 2.2.03.DataStructure.R（続き）の上から14行目

誤 

DFSize[, 3]      #すべてのrow, column 2
正 

DFSize[, 3]      #すべてのrow, column 3

P.56　例2.14の上から8行目

誤 

> DFSize[, 3]      #すべてのrow, column 2
正 

> DFSize[, 3]      #すべてのrow, column 3

P.61　本文 上から6行目

誤 与えられたリスト（最初の引数）
正 与えられたベクトルやリスト（最初の引数）

P.94　本文 上から8行目（参照ファイル名）

誤 2.4.01.sample.csv
正 sample.csv

P.123　本文 下から1行目

誤 市町村の名称
正 市区町の名称

P.129　図3.15 相関係数のグラフ表示

項目名称が見切れていました。

図

P.135　本文 下から7行目

誤 プログラムの中、
正 プログラムの中では、

P.145　注17 上から4行目

誤 123×104＝1230000
正 123×104＝1230000

P.157　図3.26 通常の線形回帰モデル

「x2方向の傾き0.68」を指し示す位置を変更しました。

画像

P.161　図3.29 左「負の交互作用の例」の式

誤 b0 ＝ 100, b1 ＝ 100, b2 ＝ 3, b3 ＝ -0.1
正 b0 ＝ 100, b1 ＝ 2, b2 ＝ 3, b3 ＝ -0.1

P.161　図3.29 右「正の交互作用の例」の式

誤 b0 ＝ 100, b1 ＝ 0, b2 ＝ 0, b3 ＝ -0.1
正 b0 ＝ 100, b1 ＝ 0, b2 ＝ 0, b3 ＝ 0.1

P.182　本文 下から5～6行目（丸数字は紙面では黒丸数字）

誤 有意に多いカテゴリが赤（⑤⑥）、有意に少ないカテゴリが青（①②）
正 有意に少ないカテゴリが赤（⑤⑥）、有意に多いカテゴリが赤（①②）

P.184　本文 上から3行目

誤 図3.38では
正 図3.39では

P.187　本文 上から6行目

誤 実測値と平均値との差 fi - M
正 実測値と平均値との差 yi - M

P.187　本文 上から7行目

誤 予測値と平均値との差 yi - M
正 予測値と平均値との差 fi - M

P.201　本文 上から8行目

誤 よいでしょう。」
正 よいでしょう。

P.202　本文 下から1行目

誤 図3.44のような
正 図3.45のような

P.204　図番号

誤 図3.44
正 図3.45

P.210　本文 上から10行目

誤 しかしVIFが
正 VIFが

P.211　図3.47 交互作用を含むモデルと中心化

右側の説明から指す矢印の場所を修正し，数値の意味を追記しました。

画像

P.267　本文 下から2行目

誤 小数の
正 少数の

P.278　図4.26 表「因子負荷量」のヘッダ

誤 英語　　　数学
正 第1因子　 第2因子

P.296　本文 下から3行目

誤 わかります。ます。
正 わかります。

P.310　本文 上から4行目

誤 図4.37のように
正 図4.39のように

P.335　本文 下から9行目

誤 SEMモデリングでは、
正 SEMでは、

P.339　図4.48 各変数間の因果関係

「販促」と「チラシ配布」の矢印の向きを修正します。

画像

P.375　本文 上から1行目

誤 また、境界線は
正 また、境界線が

（以下2019年4月2日更新）

P.xiii　上から2行目

誤 （2） 一般線形モデル（GLM）
正 （2） 一般化線形モデル（GLM）

P.302　下から3行目（見出し）

誤 （2） 一般線形モデル（GLM）
正 （2） 一般化線形モデル（GLM）

（以下2019年3月26日更新）

P.115　リスト3.2（3.1.02.Summarize.R）の6行目

誤 

stringsAsFactors = FALSE), #文字列を文字列型で取り込む
正 

stringsAsFactors = FALSE) #文字列を文字列型で取り込む

P.154　リスト3.6（3.2.04.ModelComparison.R）の9行目

誤 

stringsAsFactors = FALSE, #文字列を文字列型で取り込む
正 

stringsAsFactors = FALSE) #文字列を文字列型で取り込む

P.167　リスト3.7（3.2.05.TwoRegression.R）の9行目

誤 

stringsAsFactors = FALSE, #文字列を文字列型で取り込む
正 

stringsAsFactors = FALSE) #文字列を文字列型で取り込む

P.209　リスト3.13（3.3.07.MultiColinearity.R 続き）の22行目

誤 

stringsAsFactors = FALSE, #文字列を文字列型で取り込む
正 

stringsAsFactors = FALSE) #文字列を文字列型で取り込む

P.215　リスト3.14（3.4.01.StadardizedRegression.R 続き）の29行目

誤 

#目的変数の分散（不偏分散）
正 

#目的変数の標準偏差

P.215　リスト3.14（3.4.01.StadardizedRegression.R 続き）の31行目

誤 

#説明変数の分散（不偏分散）
正 

#説明変数の標準偏差

P.215　リスト3.14（3.4.01.StadardizedRegression.R 続き）の36行目

誤 

#  偏回帰係数＊説明変数の不偏分散／目的変数の不偏分散
正 

#  偏回帰係数＊説明変数の標準偏差／目的変数の標準偏差

P.237　リスト4.1（4.2.03.Scaling.R）の7行目

誤 

sd(x) 　#標準偏差（不偏標準偏差）
正 

sd(x) 　#標準偏差（不偏分散の平方根）

P.260　リスト4.5（4.2.06.Outlier.R 続き）の21行目

誤 

#lof値が2を超えてかどうかをTRUE/FALSEで配列化
正 

#lof値が2を超えているかどうかをTRUE/FALSEで配列化