常連

注目の的

社会貢献

回答者

ベストアンサー

拍手喝采

自己紹介

有名人

### 前提・実現したいこと
Pythonを勉強中(クラスなど)なのですが、コードの意味が分かりません。。
なぜ、python　と表示されるのか教えてほしいです。


```python

class ClassA:
    def __init__(self):
        self.message = "Hello"
        
    def get__message(self):
        return self.message
    
class ClassB(ClassA):
    def __init__(self):
        self.message = "Python"
        
obj = ClassB()
print(obj.get__message())
```

### 理解したこと

obj というインスタンスが作成されて、initのselfに代入されることは理解しました。
特に、3行目と5行目(どこにリターンしてるのか)が理解できていないような気がしています。

「Python」回答を見ても理解できないので助けてください

### 前提・実現したいこと

python3(開発環境はpycharm)で既存の時系列データをsin波を用いて展開・関数化したい。

### 発生している問題・エラーメッセージ

```
 File "C:/Users/Owner/PycharmProjects/untitled2/test2.py", line 11
    PHI = np.array([phi(x) for x in X])
    ^
SyntaxError: invalid syntax
```

### 該当のソースコード

```ここに言語名を入力
import numpy as np
import matplotlib.pyplot as plt
# データの記述
X = np,array([0.05, 0.87, 0.94, 0.92, 0.54, -0.11, -0.78, -0.79, -0.89, -0.04])
T = np,array([0.02, 0.12, 0.19, 0.27, 0.42, 0.51, 0.64, 0.84, 0.88, 0.99])
# 関数φにsin(xθ)とする基底関数を用いた場合
# 定数項を表すためのXの初期値を加えて10次元のベクトルを返す
# フーリエ（sin(xθ)+定数項 1地点の計10地点（次元）を返す
def phi(x):
    return np.append(X[0], np.sin(x*(np.arange(1,11,1)))
PHI = np.array([phi(x) for x in X])
#　基底関数の各係数を求める
w = np.linalg.solve(np.dot(PHI.T, PHI), np.dot(PHI.T, X))
# 完成した関数のplot
xlist = np.arange(0, max(T),1000/60 )
ylist = [np.dot(w, phi(x)) for t in xlist]
# 比較するデータのplot
plt.plot(xlist, ylist)
plt.plot(T, X, 'o')
plt.show()

```

### 試したこと
ネット上にガウス基底関数展開で同じような事している方がいて、そちらを参考にしています。
URL：
https://qiita.com/ysdyt/items/05a884354741bd9ca82b

が、途中の式を変更したところうまくいかず困っています。わかる方教えて頂けたら幸いです。

### 補足情報（FW/ツールのバージョンなど）
参考にしたソースコードとはXとtの値が逆転しています。混乱させてしまったら申し訳ございません。

pythonで時系列データをフーリエ級数を用いて関数に変換したい

### 前提・実現したいこと

2つの波形を比較したいのですが、何か良いライブラリ等はございませんでしょうか。
知りたいのは以下の点です。

* 対応する点どうしの最大距離

備考
* 波形は2次元平面上に存在し、3次元になることはありません。
* 波形はcsvで取得しようと考えています。

音声解析でDPマッチングという手法があると聞いて、ライブラリを調べましたが見当たりませんでした。
最悪の場合、自分で勉強して書くつもりですが、もしご存じであればご教授いただければ幸いです。
よろしくお願いいたします。

python: 2つの波形が一致していることを確認する方法

下記のサイトにしたがって、jupiter notebookでGPUを使った処理ができるように、PCの設定をしています。
[Win10にTensorflow2.0.0rc0, CUDA10.0, cudnn7.4.1, 機械学習環境一式を入れる](https://qiita.com/studio_haneya/items/0a9fb00aabbebda6d0c8)
全て一通りインストールしたんですが、パスが通りません。

windowsのシステムのプロパティから、システム環境変数に
```
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\libx64
```
を追加しました。（上二つは既に追加されていた）

参考サイトの通りに
```
where nvcc.exe nvvp.exe cupti64*
```
をコマンドプロンプトで実行したら、
```ここに言語を入力
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin\nvcc.exe
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp\nvvp.exe
情報: "cupti64*" が見つかりませんでした。
```
と返されました。
何故パスは通らないんでしょうか？
わかる方がいれば教えて頂きたいです。
一応、筆者には連絡していますが、返信がないので、ここに投稿させていただきました。 

実行環境は以下の通りです。
GPU:RTX2060
visual studio 2017
CUDA Toolkit 10.1 update2 (Aug 2019), Versioned Online Documentation
cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1
python 3.6.10
jupiter notebook 6.0.3
anaconda3
windows10 64bit

PythonでGPU -パスが通りません-

### 前提・実現したいこと
scikit-learnにより重回帰分析をしようと思い、適当にサンプルソースをつないで理解している最中です。説明変数に8(種類)×267のデータ、目的変数に1(種類)×267のデータを使っています。
質問したいことは以下2点です

・acc_meanの値に比べlearning_curveで描かれたグラフ中のvalidation accuracy(紺青)の値が低い(0.9ない)のはなぜでしょうか？同データをFold数5で分割し、どちらともRandomForestをモデルとしているので、同じ値になると思うのですが...。

・learning_curveのグラフ中のtraining samplesの値は何を意味しているのでしょうか？数としては説明変数の267(データ数)×4/5(cv = 5 としたときのtrainの割合？)と思われます。グラフがデータ数ごとの学習を表しているものであれば、validの方はtraining samplesの1/5までしかプロットできないと思うのですが...。
![learning_curveグラフ](63a78fdc2af7e05da19efdb97589daf7.png)
Mean accuracy: 96.5%

ご回答や参考になるサイト・書籍等の紹介をお願いいたします。

### 該当のソースコード

```python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn import ensemble
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score
from sklearn.model_selection import learning_curve
from sklearn.model_selection import KFold


#CSVファイルの取り込み
data = pd.read_csv("C:\Users\I06136\data3.csv", sep=",")

X = data.loc[:,['C2','D','E','F','G2','G3','H2','L']]
Y = data['K2']

#配列の作成
X = np.array(X).reshape(-1, 8)
Y = np.array(Y,dtype=np.float64).reshape(-1, 1)

#標準化
ss = StandardScaler()
X = ss.fit_transform(X)

#K-Fold法
kf = KFold(n_splits=5, shuffle=True, random_state=42)
#決定係数の配列
accuracies = []
# 検証データをずらして 5 回繰り返される
for train_index, test_index in kf.split(X): 
    X_k_train, X_k_test = X[train_index], X[test_index]
    y_k_train, y_k_test = Y[train_index], Y[test_index]
    #モデルの学習
    model = ensemble.RandomForestRegressor()
    model.fit(X_k_train, y_k_train)
    print("a")
    # 予測
    y_pred = model.predict(X_k_test)
    print("b")
    #配列を一次元に
    y_pred = y_pred.flatten()
    # ここでモデルの評価を行う
    r2 = r2_score(y_k_test, y_pred)
    accuracies.append(r2)
    print("c")
    
# 各Foldの精度を平均する
acc_mean = np.mean(accuracies)
#K-Fold法による決定係数の可視化
train_sizes, train_scores, valid_scores = learning_curve(estimator=model,
                                              X=X, y=Y,
                                              train_sizes=np.linspace(0.01, 1.0, 100),
                                              cv=5, n_jobs=1)
print(train_sizes)
# calculate the coorinates for plots
train_mean = np.mean(train_scores, axis=1)
train_std  = np.std(train_scores, axis=1)
valid_mean = np.mean(valid_scores, axis=1)
valid_std  = np.std(valid_scores, axis=1)

plt.style.use('seaborn-whitegrid')

# draw the training scores
plt.plot(train_sizes, train_mean, color='orange', marker='o', markersize=5, label='training accuracy')
plt.fill_between(train_sizes, train_mean + train_std, train_mean - train_std, alpha=0.1, color='orange')

# draw the validation scores
plt.plot(train_sizes, valid_mean, color='darkblue', marker='o', markersize=5,label='validation accuracy')
plt.fill_between(train_sizes, valid_mean + valid_std,valid_mean - valid_std, alpha=0.1, color='darkblue') 

plt.xlabel('#training samples')
plt.ylabel('accuracy')
plt.legend(loc='lower right')
plt.ylim([0.5, 1.01])
plt.savefig('learning_curve2.png')
plt.show()
print(f"Mean accuracy: {acc_mean:.1%}")
```



### 補足情報（FW/ツールのバージョンなど）

環境:python3.7
補足:参考にしたサイトでは決定係数の導出にaccuracy_scoreを使用していたが、エラーが出たためr2_scoreを使用しました。

scikit-learnによる重回帰分析の公差検証と学習曲線の質問

Jupyternotebookで図形を描こうとしたら上記のようなエラーが出ました。
容量が足りていないのでしょうか？対処法を教えてください。

jupyter notebook :The kernel appears to have died.It wikk restart automaticallyの対処方法について

networkxで下記のような画像を作成しました。

各ラベルが小さくて見にくいのですが、画像の詳しく見たい部分にカーソルを合わせたら拡大表示するような方法はありますか？
どなたかわかる方いらっしゃいましたらご教授よろしくお願いいたします。。

```python
g = nx.read_edgelist('company.txt', nodetype=str)
plt.figure(figsize=(20, 20))

pr = nx.pagerank(g)
nx.draw_networkx_edges(g, pos, edge_color='y', alpha=0.5)

#node_sizeにPageRankの値を組み込む
nx.draw_networkx_nodes(g, pos, node_color='r',
                       alpha=1, node_size=[8000*v for v in pr.values()],font_family='IPAexGothic')
nx.draw_networkx_labels(g, pos, font_size=10, node_size=15, font_family='IPAexGothic')
plt.axis('off')

plt.show(g)
plt.savefig("company_rank.png", dpi=300)
```

networkxで作った画像を拡大表示する方法

### 前提・実現したいこと
gensimのdoc2vecでモデルを作成しています。
epoch毎のlossを取りたいのですが、running_training_loss が常にゼロです。。

どのようにして、lossの履歴を取ればいいでしょうか？
モデルの最適化の為に、loss図を作成したく。

### 結果
EPOCH - 1 : training on 1029767 raw words (890423 effective words) took 12.2s, 72703 effective words/s
loss= 0.0
Loss after epoch 0: 0.0

### 該当のソースコード

class callback(CallbackAny2Vec):
	#'''Callback to print loss after each epoch.'''

	def __init__(self):
		self.epoch = 0
		self.loss_to_be_subed = 0

	def on_epoch_end(self, model):
		loss = model.running_training_loss
		print("loss=",loss)
		loss_now = loss - self.loss_to_be_subed
		self.loss_to_be_subed = loss
		print('Loss after epoch {}: {}'.format(self.epoch, loss_now))
		self.epoch += 1

model = Doc2Vec(documents, vector_size=300, window=5, min_count=1, workers=4,epochs=25,dbow_words=1,compute_loss=True,callbacks=[callback()])

```python3
#-*- encoding: utf-8 -*-
################################################################
# 2019.12.24 K.Tearda
# doc2vec で学習
# https://qiita.com/asian373asian/items/1be1bec7f2297b8326cf
################################################################
import os
import logging
import sys
import numpy as np
from datetime import datetime
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from gensim.models.callbacks import CallbackAny2Vec

class callback(CallbackAny2Vec):
	#'''Callback to print loss after each epoch.'''

	def __init__(self):
		self.epoch = 0
		self.loss_to_be_subed = 0

	def on_epoch_end(self, model):
		loss = model.running_training_loss
		print("loss=",loss)
		#loss = model.get_latest_training_loss()
		loss_now = loss - self.loss_to_be_subed
		self.loss_to_be_subed = loss
		print('Loss after epoch {}: {}'.format(self.epoch, loss_now))
		self.epoch += 1

###################### entry point
argv=sys.argv
debug="on"
print("START: "+" ".join(argv),datetime.now())

logging.basicConfig(format="%(asctime)s : %(levelname)s : %(message)s",level=logging.INFO)
DATA_DIR = os.path.join(os.path.dirname(__file__), "data")

artistNo=np.load('artistNo.npy',allow_pickle=True)
sentences=np.load('sentences.npy',allow_pickle=True)

documents = [TaggedDocument(doc, [i]) for i, doc in sentences]

model = Doc2Vec(documents, vector_size=300, window=5, min_count=1, workers=4,epochs=25,dbow_words=1,compute_loss=True,callbacks=[callback()])

# モデルのセーブ
model.save("doc2vec_gensim_songs.bin")

print("END: ",argv[0],datetime.now())

```

### 試したこと

ここに問題に対して試したことを記載してください。

### 補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

gensimのdoc2vecでlossを取りたい

カラム’AAA’と’BBB’で構成した混合行列から得た数値を使ってPositive Likelyhood ratioを求め、その95%CIを求めます。
下記のプログラムで行うと「母比率pの95%信頼区間: nan < p < nan」と数値がnanとなっていしまいます。
どのプログラムにおかしな点があるのか、改善点などおしえていただけませんか？
p<0を期待しているinterval関数では難しいのでしょうか？
代替法があれば教えて頂けるとありがたいです。

from sklearn.metrics import confusion_matrix
import numpy as np
import scipy as sp

y_true = df1['AAA']
y_pred = df1['BBB']
cm = confusion_matrix(y_true, y_pred,  labels=[0,1])
tn, fn, fp, tp = cm.flatten()

[tn, fn, fp, tp]
→[1075, 743, 129, 241]


Sensitivity　＝　tp / (tp + fp)
Specificity　＝  tn / (tn + fn)
PLR = sensitivity/(1-Specificity)

alpha = 0.95
n = 2188
p = PLR

bottom, up = sp.stats.binom.interval(alpha=alpha, n=n, p=p, loc=0)
print('母比率pの95%信頼区間: {:.2f} < p < {:.2f}'.format(bottom/n, up/n))
→　母比率pの95%信頼区間: nan < p < nan

信頼区間の求め方　信頼区間の求め方でのエラー。

##背景
競艇の順位予測を機械学習しようとしています。

##知識
・pythonや機械学習、またtensolflowやkerasなどのフレームワークに対する知識、実装経験はほぼありません。
・「ゼロから作るDeepLearning」「pythonではじめる機械学習」の二冊を一通り読んで机上では理解しているつもりです

##わからない事
表題の通りなのですが、中間層の結果を一つの配列にした結果を教師データと比較する事ができるかどうか、
できるのであれば簡単な例が載っているURLなどが知りたいです。
もしくは、考え方が間違っていそうだと感じた場合に指摘を頂きたいです。


少し文字が小さいですが、以下が構想です。
![イメージ説明](e573d06fdb848dc7bfbad3887f973a5f.jpeg)

入力データとして、1次元配列の809列、
教師データとして、1次元配列の18列を持っています。

入力データは、レースに出場する6人に関するデータ+αで、
教師データはレース結果が格納する想定です。
例えば、
1着 艇番1のレーサー
2着 艇番2のレーサー
3着 艇番5のレーサー
とした場合に

教師データとしては、以下の様に定義しています。
**true**,  false, false, false, false, false,
false, **true**,  false, false, false, false,
true,  false, false, false, **true**,  false

なのでやりたい事としては、
中間層の最後でbool型か、またはそれに相当する値18個に置き換えて、
出力層ではその18個の値を上から順に結合、そしてその値を教師データと合致するかどうかというやり方をすればうまく学習ができそうではないのかと考えています。

このような、中間層の結果を一つの配列にした結果を教師データと比較する事ができるかを教えてください。

【keras】中間層の結果を一つの配列にした結果を教師データと比較する事ができるか

機械学習の特徴量エンジニアリングで大量のブランドidを扱うのですが、全部をダミー変数にすると多すぎるので、なるべく量的変数に変換したいと考えています。

一案としてはブランドidと対のブランド名をword2vecで類似度に変換して量的変数化する方法を考えています。

何か大量のカテゴリ変数(id）を量的変数に変換する方法でいい方法はないでしょうか？

ご教授お願いします

大量のカテゴリ変数を量的変数に加工する方法

現在pythonを学んでいる初心者です。classの勉強をしていて「プロパティ」という単語が出てきたのですがこれがどんな効果を持っているのかわかりません。ゲッター、セッターという単語も出てきてそれはサイトなどで調べて理解できたのですが、プロパティについては調べてもよくわかりませんでした。どなたか教えてください。
参考書で言っているプロパティは下記のコードの一番下のコードのことを言っています。
```python
class Duck():
   def __init__(self,input_name):
       self.hidden_name=input_name
   def get_name(self):
       print('inside the getter')
       return self.hidden_name
   def set_name(self,input_name):
       print('inside the setter')
       self.hidden_name=input_name
   name=property(get_name,set_name)
```

プロパティとは何ですか？

トピックの背景分布について質問をします

もしかしたらここで聞く質問ではない場合は修正依頼にお願いします
それでも答えていただければ幸いです

LDAでトピックの背景分布として，文書ごとに仮定されていると思います
このときに，文書ごとに仮定せずに考える（解いていく）ことも可能でしょうか？

詳しく言うと，トピックの分布が一意に決まってしまうようなモデルを
仮定することが可能かどうかということです

精度とかは気にせずに可能かどうか教えていただければありがたいです

トピックの背景分布について

tensorflowで複数のモデルを切り替えて使いたいと思っているのですが，以下の2つのグラフを切り替えて結果を出す以下のコードを実行したところ，


```python
import tensorflow as tf
import numpy as np

graph1 = tf.Graph()
with graph1.as_default():
    holder = tf.placeholder(tf.int32)
    var = tf.Variable(10)
    ret = holder * var
    
graph2 = tf.Graph()
with graph2.as_default():
    holder = tf.placeholder(tf.int32)
    var = tf.Variable(10)
    ret = holder * var


with tf.Session(graph=graph1) as sess:
    sess.run(tf.global_variables_initializer())
    feed = {holder: 1}
    ret = sess.run(ret,feed_dict = feed)
    print(ret)
with tf.Session(graph=graph2) as sess:
    sess.run(tf.global_variables_initializer())
    feed = {holder: 2}
    ret = sess.run(ret,feed_dict = feed)
    print(ret)

```
以下のようなエラーが発生して発生してしまいます．これはなぜなのでしょうか？原因を教えてくださると助かります．

Traceback (most recent call last):
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/client/session.py", line 1064, in _run
    allow_operation=False)
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/framework/ops.py", line 3035, in as_graph_element
    return self._as_graph_element_locked(obj, allow_tensor, allow_operation)
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/framework/ops.py", line 3114, in _as_graph_element_locked
    raise ValueError("Tensor %s is not an element of this graph." % obj)
ValueError: Tensor Tensor("Placeholder:0", dtype=int32) is not an element of this graph.

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "multi_graph.py", line 20, in <module>
    ret = sess.run(ret,feed_dict = feed)
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/client/session.py", line 889, in run
    run_metadata_ptr)
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/client/session.py", line 1067, in _run
    + e.args[0])
TypeError: Cannot interpret feed_dict key as Tensor: Tensor Tensor("Placeholder:0", dtype=int32) is not an element of this graph.

tensorflowで複数のグラフを用いる場合にエラーが起きてしまいます．

質問の変更申し訳ありません

変化点検知で閾値を決める計算式についてなのですが

閾値を求める計算式は

閾値＝（予測値ー実測値）**2

というのを資料で見たのですが、

```python
実測値（x）=176220.  
予測値(pred)=116860.
```
の場合閾値は
```python
threshold = (pred - x) ** 2
threshold
>>>3523554989.011599
```
となり、実測値を大きく上回っています。
しかもこの計算式だと、実測値と予測値の差が小さいときにも、検知してしまい、うまく行きません。

**・質問**
**上記の実測値と予測値から、うまく実測値が閾値を超えるような、閾値を決める計算式はないでしょうか？**

ご教授お願いします。




**＊＊＊備考＊＊＊**
ちなみに以下のような変化状況です

一時間毎にカウントした検索ワードが、二時間後に96601から176220に上昇しているので、上記の実測値の時、確かに検索ワードの上昇が起こっています

通常は8000付近をうろうろしているのですが、上記該当部で一時間ごとに

```96601 → 133832→ 176220```

という感じに変化しています。

変化点検知の最適な閾値を決める計算式について

tensorflowで以下のようなニューラルネット(Domain adversarial neuralnetwork)を組んで学習させていたのですが，feature extractorと書いてある部分のLSTM層のところにdropout（tf.nn.dropout）を挟んだところ，学習が進まなくなってしまいました。(labelの二値分類が0.5の精度からほとんど動かない。dropout挟む前は普通に学習できていた)

dropout層の後の出力を可視化してみてみたのですが，dropoutに入力する前の値と変化がありませんでした。。

tf.nn.dropoutの使い方が間違っているのでしょうか？ご存知の方教えていただけると助かります。

```python
    import tensorflow as tf

    X = tf.placeholder(tf.float32, [None,time_steps,input_row], name='X') # Input data
    Y_ind = tf.placeholder(tf.int32, [None], name='Y_ind')  # Class index
    D_ind = tf.placeholder(tf.int32, [None], name='D_ind')  # Domain index
    l = tf.placeholder(tf.float32, [], name='l')        # Gradient reversal scaler
 
    Y = tf.one_hot(Y_ind, 2)
    D = tf.one_hot(D_ind, 3)
 
    # Feature extractor
    lstm_1 = tf.nn.rnn_cell.BasicLSTMCell(15, name='blstmc1')
    lstm_2 = tf.nn.rnn_cell.BasicLSTMCell(15, name='blstmc2')
    lstm_3 = tf.nn.rnn_cell.BasicLSTMCell(15, name='blstmc3')
 
    lstm_out_1,states_op = tf.nn.dynamic_rnn(lstm_1,X,dtype=tf.float32,time_major=False)
    lstm_out_1_drop = tf.nn.dropout(lstm_out_1, 0.5)##ここ
    lstm_out_2,states_op = tf.nn.dynamic_rnn(lstm_2,lstm_out_1_drop,dtype=tf.float32,time_major=False)
    lstm_out_2_drop = tf.nn.dropout(lstm_out_2, 0.5)##ここ
    lstm_out_3,states_op = tf.nn.dynamic_rnn(lstm_3,lstm_out_2_drop,dtype=tf.float32,time_major=False)
 
    lstm_out_last = lstm_out_3[:,-1,:]
 
    W11 = weight_variable([15, 15])
    b11 = bias_variable([15])
    f_logit = tf.matmul(lstm_out_last, W11) + b11
    feature_vector = tf.nn.softmax(f_logit)
 
    # Label predictor
 
    W1 = weight_variable([15, 2])
    b1 = bias_variable([2])
    p_logit = tf.matmul(feature_vector, W1) + b1
    p = tf.nn.softmax(p_logit)
    p_loss = tf.nn.softmax_cross_entropy_with_logits(logits=p_logit, labels=Y)
 
    # Domain predictor
    f_ = flip_gradient(feature_vector, l)
 
    W2 = weight_variable([15, 8])
    b2 = bias_variable([8])
    h2 = tf.nn.relu(tf.matmul(f_, W2) + b2)
 
    W3 = weight_variable([8, 3])
    b3 = bias_variable([3])
    d_logit = tf.matmul(h2, W3) + b3
    d = tf.nn.softmax(d_logit)
    d_loss = tf.nn.softmax_cross_entropy_with_logits(logits=d_logit, labels=D)
 
    # Optimization
    pred_loss = tf.reduce_sum(p_loss, name='pred_loss')
    domain_loss = tf.reduce_sum(d_loss, name='domain_loss')
    total_loss = tf.add(pred_loss, domain_loss, name='total_loss')
     
    #for dann_train_op
    dann_train_op = tf.train.AdamOptimizer().minimize(total_loss, name='dann_train_op')
     
```

tensorflowでのdropout使用方法について

Facebook が作った時系列予測パッケージProphetで時系列データから異常な変化点を抽出したいです。

扱うデータとしてはある観測地点の1990年～2018年の冬季(1月~12月)の4ヶ月間の毎日の降水量を抽出してそれを時系列に並べたもので、3396行2列のデータフレームです。これをプロットすると以下のようになります。
![イメージ説明](9cdf098751bffab0aa91125a5a6ad723.png)
そして以下のサイトを参考にし、Prophetを用いて25個の変化点を抽出できました。
[リンク内容](http://data.gunosy.io/entry/change-point-detection-prophet)
109    1991-03-20
217    1992-03-06
326    1993-02-22
435    1994-02-10
543    1995-01-28
652    1996-01-16
     .
     .
     .
2281   2009-03-09
2390   2010-02-25
2499   2011-02-13
2607   2012-01-31
2716   2013-01-18
しかし変化点の位置を赤点線として、変化点をグラフと一緒にプロットしてみると、2013年度以降は変化点が全く見られないという違和感のある結果になってしまいました。
調べてみると、Prophetはモデルを構築する際に、データの前半80%の部分に変化点候補を作成しているそうです。
そこで、データ全体から変化点を抽出することは可能なのかどうかが知りたいです。
!![イメージ説明](f5bb70e5ccef5eab321aaf1d4ac8bbfa.png)説明](953c4bbe659e1a847fc37d7140cd372f.png)明](5b2c4ca342cff095763d760f0c092a40.png)

時系列データの変化点抽出について(Prophet)

DNNのメタパラメーター：
各CNN層の層数や最後の全連結NNの層数、及び各層上のユニット数の選択は
画像画素数、分類のカテゴリ数、訓練データ数の間とは何等かの基本関係あれば、
教えていただきたいですけれども。
要はどうやってDNNの基本構造を確定するのでしょうか。

DNNの基本構造を選択方法について

サポートベクターマシーンを使って、ある数値の予測をしようとしています。
数値予測のモデルを作る前に、30個ある説明変数のどれを減らすか？減らさないか？の判断をしようとしています。

サポートベクターでは、どのように判断すればよいでしょうか？
使うライブラリは、sklearn.svm.SVRです。
下記は私の仮説です。
> 仮説
ランダムフォレスト等のアンサンブル系で、特徴量の重要度を見るのもありだが、
サポートベクターマシーンは、本質的には、線形モデルなので、RidgeかLassoを使った特徴量選択をする。


因みに、ランダムフォレストを使った際は、RFEでValidation scoreの一番高かった説明変数を選択しました。

サポートベクターマシーンでモデリングする前の、特徴量選択（Feature Selection）

Rで欠損値処理をしている方には有名らしい、MICEという欠損値補完手法を、Pythonで試そうとしています。メソッドは、statsmodels.imputation.miceの中にあるものを使用します。

【質問】 
実際にどのようなコードを書けば、データフレームの欠損値を補完できるのか？

下記リンク先のドキュメントとソースコードの例を読み込みましたが、いまいちやり方が理解できませんでした。
【MICEモデルの概要の説明リンク】http://www.statsmodels.org/dev/generated/statsmodels.imputation.mice.MICEData.html
【MICEモデルのソースコード】
http://www.statsmodels.org/dev/_modules/statsmodels/imputation/mice.html#MICEData

【データフレームの性質】
コラムの数:237
行の数:219395

【試したコード】
```Python
#ライブラリ
#Libraries
import pandas as pd
import statsmodels.regression.linear_model as sm
from statsmodels.imputation.mice import MICE,MICEData
#欠損値補完
new_df = df.copy()
imp = MICEData(new_df)
fml = 'y ~ x1 + x2 + x3 + x4'
mice = MICE(fml, sm.OLS, imp)
```
よろしくお願いいたします。