論文の概要、ライセンス

# (参考訳) FDApy: 関数型データのためのPythonパッケージ [全文訳有]

FDApy: a Python package for functional data ( http://arxiv.org/abs/2101.11003v1 )

ライセンス: CC BY 4.0
Steven Golovkine(参考訳) 機能データの実装として、PythonパッケージであるFDApyを紹介します。 このパッケージは、そのようなデータの分析のためのモジュールを提供する。 異なる次元データと不規則にサンプリングされた機能データのためのクラスを含む。 シミュレーションツールボックスも備えている。 異なる関数データのクラスタをシミュレートするために使われるかもしれない。 これらのデータを扱ういくつかの方法論は、次元の縮小やクラスタリングなど、実装されている。 新しいメソッドを簡単に追加できる。 このパッケージはPython Package IndexとGithubで公開されている。

We introduce the Python package, FDApy, as an implementation of functional data. This package provide modules for the analysis of such data. It includes classes for different dimensional data as well as irregularly sampled functional data. A simulation toolbox is also provided. It might be used to simulate different clusters of functional data. Some methodologies to handle these data are implemented, such as dimension reduction and clustering. New methods can be easily added. The package is publicly available on the Python Package Index and Github.
公開日: Tue, 26 Jan 2021 10:07:33 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 n a J 6 2 ] S M . 1 2 0 2 n a j 6 2 ] s m である。 0.80
s c [ 1 v 3 0 0 1 1 . s c [ 1 v 3 0 0 1 1 ] である。 0.80
1 0 1 2 : v i X r a 1 0 1 2 : v i X r a 0.85
FDApy: a Python FDApy Python (複数形 Pythons) 0.43
for package Steven Golovkine∗ 2021 January for package Steven Golovkine∗ 2021 January 0.97
28, functional data 28, 機能 データ 0.80
package different introduce This for パッケージが違う 紹介します 0.64
We data. classes A simulation toolbox is of functional as dimension package データです。 クラス a シミュレーションツールボックスは次元パッケージとして機能する 0.72
the Python provide dimensional pythonは次元を与えます 0.74
package, modules data also provided. パッケージ、モジュールデータも提供される。 0.80
Some methodologies clustering. いくつかの方法論クラスタリング。 0.48
on data. reduction オン データだ 減少 0.72
and available publicly is 利用できる 公に は 0.63
the Python Package Pythonパッケージ 0.60
Abstract as an FDApy, analysis of the for as well irregularly as It might be used to to these handle methods New FDApyとして概要、Forの分析、および不規則にこれらのハンドル方法に使用することができるように。 0.62
implementation data. such sampled functional simulate different data can Index 実装データ。 このようなサンプル関数は、異なるデータcan Indexをシミュレートします 0.59
implemented, are be added. 実装、追加されます。 0.63
easily and Github. Githubも簡単です。 0.78
of functional includes It data. 機能にはデータが含まれます。 0.71
clusters such The number analysis クラスタ化。 番号 分析 0.68
applications phenomena Introduction ranging of large a and more produce vector-valued measurements (FDA) recorded such linked 応用現象 大規模a以上のベクター値測定(FDA)の導入範囲について 0.67
1 and industry to automotive from sports With sea the in entities form of observation healthcare, more discrete several at intermittently recorded possibly quence of values data as such of the being considers data Functional points in time. 関連スポンサーコンテンツ 1 and industry to automotive from sports with sea the in entities form of observation healthcare, more discrete several at intermittently recorded of value data like the being considers data functional points in time. 1 and industry to automotive from sports with sea the in entities form of observation healthcare. 0.74
at random times. error, discrete with some process, realizations of a stochastic functions. ランダムな時間に エラー、ある過程で離散化、確率関数の実現。 0.56
or curves called The also trajectories, study to is purpose The FDA of usually dense, as of the be of concept time data, to study functional can data or non-smooth regular samples of potentially functions, longitudinal data, as and sparse function, samples irregular as represented be can data, image even or smooth of domains. または曲線とも呼ばれます 軌道、目的である研究 FDAは、通常、コンセプトタイムデータのように、機能的な缶データまたは非滑らかで規則的なサンプルの潜在的な関数、縦方向のデータを研究するために、通常、高密度のFDAは、表現されているように不規則なサンプルは、データ、画像、またはドメインの円滑にすることができます。
訳抜け防止モード: あるいは The also trajectories という曲線です 研究目的 FDAは通常、コンセプトタイムのデータのように、密度が高い。 潜在的関数の関数缶データまたは非-スムーズな正規サンプルを研究する。 縦方向のデータ、例えばスパース関数、表されるように不規則なサンプルは、ドメインのデータ、画像、あるいは滑らかな画像である。
0.70
two-dimensional on functions a dataset, order to apply FDA to real up-to-date methodological implementation Currently, widely the most ments. 機能上の2次元データセットは、FDAを実際の最新の方法論の実装に適用するために、現在、最も広くメント。 0.60
known 16]. cited on work in based [15, refund[7] and [3] example, one For may cite FDboost clustering for [2] [18] and [1], funLBM funHDDC funFEM etc. 既知の16] ベース [15, refund[7] と [3] の例で引用すると、1 For は [2] [18] と [1], funLBM funHDDC funFEM などの FDboost クラスタリングを引用します。 0.68
these of Most data functional for registration, data are restricted ever, in most packages, functional ∗ France, Groupe Renault & CREST - UMR 9194, Rennes, 登録、データは、ほとんどのパッケージにおいて、機能 ∗ france, groupe renault & crest - umr 9194, rennes に制限されている。 0.69
softwares with appropriate a there is for need developof new theoretical and addition easy R [17], package the for is FDA software fda Usually, R packages to specific one method. 適切なソフトウェアは、新しい理論と追加が容易なR[17]の開発が必要であり、 for is FDA Software fda、Rパッケージを特定の1つのメソッドにパッケージする。 0.83
for FDA are classification, and and [14] fdakma Howfda. FDAは分類であり、[14]fdakma Howfdaです。 0.73
upon ones that are well steven.golovkine@ens ai.fr steven.golovkine@ens ai.frのように 0.70
for regression [20] or fdasrvf are built univariate 回帰[20]またはfdasrvfは一変量で構築されます 0.62
packages to which series パッケージ つまり シリーズ 0.62
the In 1 はあ? 内 1 0.60
英語(論文から抽出)日本語訳スコア
accept multivariate different there tslearn 多変量を受け入れる tslearnは違う 0.64
package [11] univariate Sparse funcone on components package [11] univariate Sparse funcone on components 0.85
built functional In data particular, 建立 機能イン 特定のデータ 0.70
basis given provide to on defined different [12] The package MFPCA implements multivariate 定義された異なる[12]に対して提供されるベース MFPCAパッケージは多変量を実装します 0.67
The framework dimensional is currently functional フレームワークの寸法は現在機能的です 0.74
of functions. unified a 機能があります 統一されたa 0.50
or scikit-fda data data unidimensional または scikit-fda データ一次元 0.61
to related of analysis series time develops speregistration of the most functional data 分析時系列の関連は、最も機能的なデータの登録を発達させる 0.75
funData to handle domains. funData ドメインを処理する。 0.81
the only principal [10]. 唯一のプリンシパル[10]. 0.57
are that for the specific that diverse However, しかし、その種類は多様です 0.41
coefficients by their described It released. それらの係数は解放される。 0.59
has recently been functional and multivariate data data also tional are considered. 最近は関数型データや多変量データも検討されている。 0.74
It package. the top of funData domains dimensional defined data on analysis (MFPCA) for the Python packages are few only community, Concerning provide that [13] cite tools [19] and FDA. パッケージです。 fundataドメインのトップ dimensional defined data on analysis (mfpca) pythonパッケージは、[13] が [19] と fda を引用するツールを提供することに関して、コミュニティのみである。 0.74
One may sktime implement they compatible API. 互換性のあるAPIをsktimeで実装できる。 0.65
Thus, a as time series scikit-learn shapelets The learning. したがって、 as time series scikit-learn シェイプレット 学習。 0.81
as DTW-based methods such ones only one [4]. DTWベースのメソッドとして、1[4]だけです。 0.63
In particular, cific methods for FDA is it implements depths functional well as techniques for statistical as and for methods they one-dimensional are only domain. 特に、FDAのcificメソッドは、統計的手法と同様に深度を機能的に実装し、1次元の手法はドメインのみである。 0.75
defined on the same in Python based handle implements methods to The package FDApy classes funData. Pythonベースのハンドラで同じ上に定義されている。 パッケージ FDApyクラス funData。 0.74
it provides approach, spirit in of the on an object-oriented or higher functional data defined on one and multivariate irregularly to manipulate dense, basis is probased decomposition, on A large simulation toolbox, dimensional domains. これは1つに定義されたオブジェクト指向または高次関数データへのアプローチとスピリットインと、密な操作のために不規則に定義された多変量データを提供し、基底は大きなシミュレーションツールボックス、次元領域上のプロベース分解である。
訳抜け防止モード: オブジェクトに対するアプローチとスピリットを提供する - 1つに定義された指向的または高機能なデータ 多変量で高密度な 基礎を操るのは プロベースの分解です 上の大きなシミュレーションツールボックスは、次元ドメインである。
0.65
be to within configured the simulation clusters for allows different parameters It vided. 異なるパラメータを許容するために、シミュレーションクラスタを構成内部に配置する。 0.82
described as different domains, data of MFPCA for implementation data. 異なるドメインとして記述され、実装データのためのMFPCAのデータ。 0.56
An used to create partition in implemented. 実装時にパーティションを作成するために使用される。 0.62
Moreover, the [10], in is fCUBT classes. さらに、[10], in はfcubtクラスである。 0.68
the implemented The defined using are All methods available. 実装 定義済みのメソッドは、すべて利用可能です。 0.78
is data, the also Index2. はデータ、また Index2 です。 0.85
on Github1 the Python Package and available publicly package is independent of a trajectories of data In the general case, the consist vector-valued , X (P ))(cid:62), Tp ⊂ Rdp process X = (X (1), 1 ≤ p ≤ P , . Github1 上で Python パッケージと公開パッケージはデータの軌跡から独立している 一般的には、コンポジションベクター値 、 X (P ))(cid:62)、Tp 、 Rdp プロセス X = (X (1), 1 ≤ p ≤ P , ...) である。 0.83
. . P ≥ 1. with each For stochastic let Tp → R are each coordinate X (p) instance, Tp = [0, 1]dp. . . P ≥ 1 の各確率写像 Tp → R は各座標 X (p) のインスタンス、Tp = [0, 1]dp である。 0.83
dp ≥ 1, realizations : The of as for assumed to belong to L2(Tp), squared-integrable, real-valued functions the Hilbert space of t = (t1, , tP ) belonging . dp ≥ 1 が実現される: as は l2(tp) に属すると仮定され、二乗可積分、実数値函数 t = (t1, , tp ) のヒルベルト空間が属す。 0.75
. Thus, X is . . したがって、X は である。 0.74
defined on Tp. indexed by to the a stochastic process P−fold Cartesian P−fold Cartesian := T1 × · · × TP · T values and taking product the in L2(T1) × · · × L2(TP ). Tpで定義される。 確率過程 P-倍カルテシアン P-倍カルテシアン := T1 × · × TP · T の値にインデックス付けされ、L2(T1) × · × L2(TP )で製品を取る。 0.80
space H := · functional realizations In practice, product of data N possibly and are only obtained finite grid consider curves on a with us noise. 空間 h := · 関数的実現、実際、データ n の積であり、得られるのは a 上の a 上の曲線の有限格子のみである。
訳抜け防止モード: 空間 H : = · 機能的実現 実際には、データ N の積はおそらく 得られた有限格子でのみ 雑音で曲線を考慮。
0.75
X1, the P -dimensional , Xn, . X1, P-次元 , Xn, 。 0.85
, XN . . . . 、XN。 . . . 0.81
. generated as a random sample of stochastic process X n N , ≤ ≤ positive given and each For trajectories. . 確率過程 X n N , ≤ ≤ 正のランダムなサンプルとして生成され、各 trajectories が与えられる。 0.83
continuous 1 with a vector of ) ∈ RP , , T (P ) integers M n = (M (1) , M (P ) Tn,m = (T (1) n,mP ), 1 ≤ mp ≤ M (p) . 連続 1 は ) ∈ RP , , T (P ) の整数 M n = (M (1) , M (P ) Tn, m = (T (1) n, mP ), 1 ≤ mp ≤ M (p) のベクトルである。 0.82
. . , . n,m1, , 1 ≤ let n n n p ≤ P , curve Xn. . . , . n,m1, , 1 ≤ を n n n p ≤ P , curve Xn とする。 0.87
times the random observation times for These obtained as be the . 得られたランダムな観察時間は . 倍になる。 0.63
. The vectors M 1, copies of a variable T in T . . ベクトル M 1 は、T 内の変数 T をコピーする。 0.82
represent taking values independent random vector M with expectation µM . 独立乱数ベクトル M を期待 μM で値を取ることを表す。 0.69
We an sample independent an integer-valued of of X, M and T assume are mutually the realizations observations that The (Yn,m, Tn,m) Xn × T ∈ the consist trajectory, or curve, a with associated 1https://github.com/ StevenGolovkine/FDAp y 2https://pypi.org/pr oject/FDApy/ X, M, T の整数値の独立なサンプルは、(Yn,m, Tn, m) Xn × T ∈ the consist trajectory, or curve, with associated 1https://github.com/ StevenGolovkine/FDAp y 2https://pypi.org/pr oject/FDApy/ 0.89
defined algorithm [8], 定義されたアルゴリズム[8]。 0.75
on are , M N オン は , M N である 0.70
. of independent. . ですから 独立。 0.71
pairs RP data. ペア RP データだ 0.73
Let in a aims はじめに 目的として 0.53
. . 2 . . 2 0.85
英語(論文から抽出)日本語訳スコア
where m = (m1, . m = (m1, . 0.77
. . , mP ), 1 ≤ mp ≤ M (p) Yn,m is , 1 ≤ p ≤ P , and defined n , 1 ≤ n ≤ N, Yn,m = Xn(Tn,m) + εn,m, ε ∈ RP with random vector centered of copies a Xn t at value for realization the of of the P = 1. case where follows. . . , mp ) 1 ≤ mp ≤ m (p) yn,m は , 1 ≤ p ≤ p であり、 n , 1 ≤ n ≤ n, yn,m = xn(tn,m) + εn,m, ε ∈ rp と定義される。
訳抜け防止モード: . . 1 ≤ mp ≤ M (p ) Yn, 1 ≤ mp ≤ M (p ) Yn である。 m は 1 ≤ p ≤ P で、定義される n, 1 ≤ n ≤ N, Yn, m = Xn(Tn, m ) + εn, m, ε ∈ RP は、次の P = 1 のケースの実現のための値で Xn t のコピーを中心にランダムベクトルを持つ。
0.86
In Section organized as data. データとして整理されたセクション。 0.57
functional implementation of the presents we 4, Section In creation 5, Sections 6 and 7 then demonstrate estimation components, multivariate of fCUBT 第5章第6節,第7節におけるwe4章の機能実装とfcubtの多変量推定成分の実証 0.66
algorithm partition アルゴリズム partition 0.78
used find to is a 使用 探せ へ は あ... 0.57
εn,m are independent and Xn(t) notation the We use the to refers data functional remainder of the paper The for classes an data we used functional of the package components data. εn,m は独立であり、xn(t) 記法 xn(t) 記法 xn(t) 記法 (to use the to use the data functional half of the paper the for classes a data we used functional of the package components data) を参照。 0.65
object-oriented examples. オブジェクト指向の例。 0.63
as data objects. データオブジェクトとして 0.84
the implements: analysis and the the implements: 分析と 0.69
as finite X. variance. として 有限X。 ばらつき。 0.61
Univariate 2, we Section 3 and some functional the ユニバリエート 2 セクション3といくつかの機能 the 0.62
the introduce describes the manipulation methods that principal sampled この紹介では プリンシパルがサンプリングした操作方法を説明します 0.52
of using two classes, ですから 利用 二 クラス 0.59
that both extend あれ 両方 拡張する 0.68
an represents etc.) images, have missing It may アン など)を表す image, have missing It may 0.67
dense on functional a common 密集して 機能a共通 0.66
dimenpoints of data arbitrary observation of set data. ディメンポイント データセットを任意に観察することです 0.65
the values within arbitrary sampled data of the and number of location values not have missing 任意のサンプルデータ内の値と、欠落していない位置値の数 0.82
irregularly The It must represents 不規則にitは 代表者 0.59
observation points. observations. 観察 ポイント 観察だ 0.61
different is MultivariateFunction alData an Thus, one. 違いは、MultivariateFunction alData an Thus, oneです。 0.77
P elements from the be that may defined is classes the diagram of 定義できるbeのp要素は、ダイアグラムのクラスである 0.71
the UserList list of classes A クラス A の UserList リスト 0.67
and data done is そして データ提供は 0.70
2 The abstract 1. 2. 2 抽象論 1. 2. 0.82
for for of Classes of representation のために Classes (複数形 Classes) 0.64
functional data functional FunctionalData: class Class DenseFunctionalData (one for sion , tM t1, . function data functionaldata: class class dense functionaldata (sion , tm t1, ...)。 0.81
. . observations. Class IrregularFunctionalD ata dimension the the within the Finally, does it of MultivariateFunction alData . . 観察だ Class IrregularFunctionalD ata dimension the within the last, does it of MultivariateFunction alData 0.79
data. implementation not the データだ 実装ではなく 0.68
on sampling different points サンプリングでは 異なる点 0.68
of between curves, all その間の 曲線、すべて 0.70
sets vary extend セットは異なる 拡張する 0.68
two the of class class FunctionalData defined 二 定義されたクラスの関数データ 0.74
is different and/or domains は 違う および/またはドメイン 0.65
but as a IrregularFunctionalD ata (e g images). しかし、IrregularFunctionalD ata(e g image)として。 0.85
because instance DenseFunctionalData on dimensional Figure given in 1. dense the Remark 1 In practice, between difference data are design, By can be data tricky. なぜなら、インスタンスDenseFunctionalData on dimensional Figure 1. 密なRemark 1 実際に、差分データは設計であり、Byはデータトリッキーであることができる。 0.75
dense functional errors may and measurement plete grid , tM} = {t1, . 密な関数誤差と測定 plete grid , tM} = {t1, . 0.75
. . T a given observations as an example, are at recording the happen may anomalies but some the functional sampled curves data, we different potentially points. . . 例えば、ある観測結果Tは異常を記録できるが、機能的なサンプル曲線データの中には、潜在的な点が異なるものもある。 0.84
points with of curves growth as such studies one because measured at the exact same 全く同じで測定されたため、そのような研究のような曲線成長の点 0.78
recorded during that numbers analysis time. その数字分析の時間に記録された 0.71
and assumed exist. 存在すると仮定しました 0.41
sampling process. サンプリングプロセス。 0.68
are This cannot is this cannot ♪ 0.56
assume curves 仮定する curves 0.72
3 sampled functional irregularly sampled on the comto be data from sensors Taking are timestamped rate and irregularly for an While sampling different at observed the usually is case in medical are individuals the that expect 3 センサからのデータであるコント上で不規則にサンプリングされたサンプルされた機能 タイムスタンプレートであり、不規則に観察されたサンプルとは異なりながら、通常、医療では予想される個人です。
訳抜け防止モード: 3 comto beのデータに不規則にサンプリングされた機能的サンプルは、タイムスタンプレートである 観察されたサンプルを不規則に採取する 医学の通常ケースは 期待する個人です
0.83
英語(論文から抽出)日本語訳スコア
FunctionalData UserList 機能データ UserList 0.77
DenseFunctionalData DenseFunctionalData 0.85
IrregularFunctionalD ata IrregularFunctionalD ata 0.85
MultivariateFunction alData MultivariateFunction alData 0.78
Figure 1: Representation of 図 1: 代表 ですから 0.69
the main classes a メインは クラス あ... 0.50
data, DenseFunctionalData similar a データだ DenseFunctionalData 類似 a 0.73
the represents classes and The IrregularFunctionalD ata and points the contains variable sampling instance the way: data in argvals data, functional dense case the data. クラスとIrregularFunctionalD ataを表現し、変数のサンプリングインスタンスをそのように示す: argvalsデータ内のデータ、関数的な高密度なデータケース。 0.79
the of In represents variable the instance values numpy represents array entry that contains a whese each dictionary is the argvals a numpy array condimension, while is for a given points sampling the common values grid with M one-dimensional a data case the In of observations. In の値は変数を表し、numpy は配列エントリを表し、各辞書は argvals a numpy array condimension であり、与えられたポイントは共通の値グリッドを M の 1 次元のデータケースでサンプリングする。
訳抜け防止モード: inは変数を表し、インスタンス値numpyは配列エントリを表し、それぞれの辞書はargvals a numpy array condimensionである。 与えられた点に対して、m で共通の値グリッドをサンプリングする一方で、データケースを観測のインで次元化する。
0.75
sampled taining the (M, ) is an array an array of shape entry only and values as one contains points, argvals (N, M ) where observations observation. M, ) を含むサンプルは、観察される点、アーグヴァル(N, M) を含む形状入力のみの配列であり、値の配列である。 0.68
an each row is For two-dimensional of dimension with M (1) × M (2) array being the entries, two contains points, sampling first an argvals (M (2), ) (M (1), ) array an and of array an second is of and the shape shape of values (N, M (1), M (2)) higher observation. M (1) × M (2) 配列がエントリである次元の 2 次元の場合、2 は点を含み、まずアーグヴァル (M (2), ) (M (1), ) 配列 an と 2 番目の配列 an をサンプリングし、値の形状 (N, M (1), M (2)) を高く観察する。 0.72
gives coordinate first the dimension where the The are dictionary represented dimensional data by adding entry in the and a an argvals functional sampled For in dimension both irregularly array. 座標にまず、are辞書が次元データを表現した次元を、不規則に配列された次元でサンプリングされたargvals関数のエントリを追加することによって与える。
訳抜け防止モード: 座標にまず are 辞書が表現された次元データを示す次元を与える それぞれ不規則に配列された次元でサンプリングされたargvals関数とargvalsへのエントリの追加。
0.68
the argvals values each dictionaries are and where of dictionaries. argvals の各辞書は、辞書の場所と場所の値である。 0.58
The entries are entry argvals values similar way, a particular sampling points consists of the for observation. エントリはエントリargvals値と同じような方法で、特定のサンプリングポイントはfor観察で構成されます。 0.61
In a each entry of sampled an observation. それぞれのエントリで観察をサンプリングしました。 0.71
represents the irregularly one-dimensional For size N containing contains functional one dictionary is of a which entry N n (Mn, ), 1 ≤ ≤ dictionary of array the shape sampling a and is points values N . 機能的な1つの辞書を含む大きさ n に対する不規則な一次元の表現は、入力 n n (mn, ) 1 ≤ ≤ dictionary of array 形状サンプリング a と is 点値 n である。 0.79
N (Mn, ), 1 n ≤ ≤ with the observations For entries shape arrays of containing as of represents dictionary of each dimensions, higher the a entry dimension argvals N Likepoints. N (Mn, )、1 n ≤ ≤ with the observations 各次元のディクショナリを表すように含むエントリ形状配列は、aエントリ次元 argvals N Likepoints よりも高い。 0.72
sampling for entries with dictionary another and process contains array wise, the dictionary has entries and every one of an of shape values , M (2) (M (1) . 辞書付きエントリのサンプリング other と process には配列ワイズが含まれており、辞書にはエントリがあり、a の形状値 , m (2) (m (1) ) のそれぞれがある。 0.68
), 1 ≤ n ≤ N . ) 1 ≤ n ≤ n である。 0.74
, . . n n and the MultivariateFunction alData class Finally, gathers P as thus instances of DenseFunctionalData such as append, this As a result, a list. , . . n n と multivariate functionaldata クラスは最後に p を収集し、アペンダのような関数型データのインスタンスとして、結果としてリストとなる。
訳抜け防止モード: , . . n と MultivariateFunction alData クラス 最後に、P を append のような DenseFunctionalData のインスタンスとして収集する。 結果として、リストです。
0.83
etc. extend, classes called pop, Given DenseFunctionalData, IrregularFunctionalD ata or MultivariateFunction alData objects. など extend, pop, given DenseFunctionalData, IrregularFunctionalD ata, MultivariateFunction alData オブジェクトと呼ばれるクラス。 0.67
of In the three the all from the UserList class, IrregularFunctionalD ata 3つのうちの1つが UserList クラスの IrregularFunctionalD ata です。 0.70
class has access specific クラスは特定のアクセスを持つ 0.64
following, classes. inherits and/or 以下のクラス。 継承および/または 0.56
to all dataset, 全てのデータセットに 0.82
the methods applicable instances 適用可能なメソッドは 0.68
to lists different the 異なるリストを はあ? 0.54
of argvals as ですから argvals (複数形 argvals) 0.43
values dictionary refer value 辞書 参照 0.69
to instances the generic へ 例 はあ? 総称 0.53
term, the them functional data 用語 彼ら 機能 データ 0.66
object, will オブジェクト、will 0.72
the N on data, はあ? N オン データだ 0.62
a are is 4 あ... は は 4 0.61
英語(論文から抽出)日本語訳スコア
will and first one Ramsay ウィルと 第一にRamsay 0.48
textbook second the be Silverman 教科書第二 はあ? be Silver‐man 0.50
cell examples ones, will 細胞例の1つ ウィル 0.62
Cana[15] count are be Cana[15] count は 0.69
examples the Data used 3 will consider two We weather dian data, their in available and [6], dataset, used in one-dimensional data, the using simulated 例です 3を使用するデータは、2つのWeウェザーディアンデータ、利用可能なデータと[6]、1次元データで使用されるデータセット、シミュレーションの使用を検討します。
訳抜け防止モード: 例です 使用データ 3 は 2 つの天気 dian データを考慮します。 と[6 ]、データセット、1次元データで使用されます。 シミュレーションによって
0.73
the in The examples. in datasets code by the which is presented in R the CD4 dataset is The [17]. 例の例です。 rで示されるデータセットのコードでは、cd4データセットは[17]である。 0.73
package R As [7]. パッケージ R として [7]。 0.83
both and package available the refund particular images dimensional datasets, higher in package. パッケージでより高い払い戻しの特定のイメージの次元のデータセットを両方利用できるパッケージ。 0.72
the in toolbox simulation provided The Canadian weather of recording contains dataset daily N = (in millimeters) precipitation gree Celsius) for 35 and the across to the averaged over 1960 1994. country and defined of example as used be data will an DenseFunctionalData the the will We domain. カナダの気象記録には、35日毎のN = (ミリメートル) の降水量と、1960年平均のグリー・セシウス(Celsius)への渡航時間が含まれており、その例として、DenseFunctionalData the the Will We domainが使用される。
訳抜け防止モード: カナダ気象記録が与えるツールボックスシミュレーションは、毎日のデータセットn = (ミリ秒) 降水 gree celsius を35で含んでいる。 1960年から1994年までの全国平均は そして、データとして使われる例を定義すると、will we domainは関数型データになる。
0.76
add daily precipitation to records temperature der to create a object with elements defined MultivariateFunction alData T2 (T1 one-dimensional = and temperature the domains precipitation). MultivariateFunction alData T2 (T1 1-dimensional = and temperature the domain precipitation) と定義された要素を持つオブジェクトを作成するために、日毎の降水量を記録する。 0.66
cell CD4 count dataset the Study), Cohort AIDS From the MACS (Multicenter N CD4 of blood participants. 細胞CD4 count data the Study), Cohort AIDS From the MACS (Multicenter N CD4 of blood participants)。 0.83
= 366 per milliliter of collects the number of CD4 cells the of immune components are key cell and blood cells are white type a of particular of CD4 count the cells blood. 1ミリリットルあたり366はCD4細胞の数を収集し、免疫成分は鍵細胞であり、血液細胞はCD4の特定のタイプaが白血球を数えている。 0.84
Thus, patient’s in the cells the CD4 system. したがって、患者は細胞内のCD4システムです。 0.79
HIV attacks the dataset, number of For this progression. HIVはデータセットを攻撃します。 0.46
disease can be viewed a measure of the seroconversion, the at centered of time a and year twice roughly are measured cells CD4 number the individual, every For of detectable. 疾患は血清転換の指標と見なすことができ、時間の中心はおよそ1年と1年で、各Forが検出可能なCD4数を測定した細胞である。 0.79
becomes that which the is HIV 42 months 18 months period 11 between measurements of before and over 1 different points after The between use example this HIV42 ヶ月 18 ヶ月の期間 11 が前後の 1 つの異なるポイントの計測の間であることになります。 0.63
time varies seroconversion. 時刻は セロコンバージョンです 0.54
dataset the (in detemperature Canadian cities spread The daily temperature one-dimensional a on in ordifferent the for データセット カナダの都市では、毎日の気温を1次元のa on in ordifferent the for に広げる 0.68
ones on [1, 363] one on [1, 363] 0.71
to sampling of IrregularFunctionalD ata. サンプリングし IrregularFunctionalD ata。 0.57
observations. We will = 観察だ やります = 0.65
[1, 364] for [1, 364] ですから 0.70
as as an として として アン 0.52
fda in the years fdaイン はあ? 年 0.60
a are the of Manipulation 4 two of With example the help data manipulate functional object. aは はあ? 操作 4: 例えば、ヘルプデータは関数オブジェクトを操作します。 0.58
a information to ables extract used functional plot and objects. 使用済みの機能的プロットとオブジェクトを抽出する情報。 0.79
or covariance, for each methods for assume examples, we well the packages 共変性は、例を仮定する各方法のために、パッケージをうまく扱います 0.58
objects data functional and how present will section datasets, this varireview the particular, we different In to methods modify present also We the data. オブジェクト データ機能 and how present will section datasets, this varireview the particular, we different in to methods modify present also we the data. 0.83
from of computation the mean as such the data General methods, the corresponding call usually objects MultivariateFunction alData code For the concatenate and individual all appropriately. データジェネラルメソッドの平均の計算から、対応する呼び出しは通常、結合型と個別型の多変量関数型データコードを適切に対象とする。 0.76
results from the FDApy package functions the that correct are as numpy and using the code snippet: FDApyパッケージからの結果は、正しいものがnumpyとして機能し、コードスニペットを使用します。 0.68
to create instance インスタンスを作成します 0.64
the loaded following pandas 積まれた 以下 パンダ 0.61
as 1 2 import import として 1 2 import import~ 0.74
numpy pandas as as ナッピーパンダ のように 0.56
np pd 5 np pd 5 0.85
英語(論文から抽出)日本語訳スコア
Creation 4.1 Assuming Canadian into explicitly 創造 4.1 カナダを明示的に仮定する 0.64
of the Canadian precipitation dataframes カナダの降水データ枠の 0.79
objects temperature data in a creates and dimension of the オブジェクトの温度データの作成と次元 0.62
named the pandas 名称 はあ? パンダ 0.53
precipitation.csv data 降水.csv データ 0.63
is stored file, in a the は ファイルの保存 in a ~ 0.71
DenseFunctionalData observation. DenseFunctionalデータ観察。 0.84
temperature.csv following code instances コードインスタンスに従う temperature.csv 0.60
file loads from fileloads (複数形 fileloads) 0.44
and the them. the data We 彼らもだ データ 私たちは 0.73
1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13 0.85
t e m p e r a t u r e t e m p e r a t u r e 0.85
= pd . r e a d = pdだ R e a d 0.74
c s v ( ’ t e m p e r a t u r e c s v ( ’ t e m p e r a t u r e 0.85
. c s v ’ , . c s v ’ , 0.85
i n d e x c o l =0) i n d e x c o l =0) 0.92
f a c t o r i z e pd . f a c t o r i z e pd である。 0.80
= a r g v a l s t e m p e r a t u r e a r r a y ( v a l u e s = np . = a r g v a l s t e m p e r a t u r e a r r a y (v a l u e s = np )。 0.84
t e m p e r a t u r e ) DenseFunctionalData ({ = dailyTemp t e m p e r a t u r e ) DenseFunctionalData ({= dailyTemp) 0.89
( . columns ) [ 0 ] ( . 柱 ) [ 0 ] 0.82
i n p u t ’ v a l u e s ) i n p u t ’ v a l u e s ) である。 0.89
d i m d i m である。 0.55
0 ’ : a r g v a l s } , 0 ’ : a r g v a l s } , 0.85
p r e c i p i t a t i o n p r e c i p i t a t i o n 0.85
= pd . r e a d = pdだ R e a d 0.74
c s v ( ’ p r e c i p i t a t i o n c s v ( は、p r e c i p i t a t i o n である。 0.82
. c s v ’ , . c s v ’ , 0.85
i n d e x c o l =0) i n d e x c o l =0) 0.92
f a c t o r i z e pd . f a c t o r i z e pd である。 0.80
= a r g v a l s ( p r e c i p i t a t i o n a r r a y ( p r e c i p i t a t i o n ) v a l u e s = np . = a r g v a l s (p r e c i p i t a t i o n a r r a y (p r e c i p i t a t i o n ) v a l u e s = np である。 0.85
DenseFunctionalData ({ = d a i l y P r e c DenseFunctionalData ({ = d a i l y P r e c) 0.89
. columns ) [ 0 ] . 柱 ) [ 0 ] 0.81
i n p u t ’ v a l u e s ) i n p u t ’ v a l u e s ) である。 0.89
d i m d i m である。 0.55
0 ’ : a r g v a l s } , 0 ’ : a r g v a l s } , 0.85
creation of the functional data objects, Given multiple to objects by done passing the 関数型データオブジェクトの作成。オブジェクトを渡すことで複数のオブジェクトを付与する 0.82
list of is リスト ですから は 0.68
instances a constructor method. 例 あ... コンストラクタメソッド。 0.48
MultivariateFunction alData MultivariateFunction alData 0.78
1 2 canadWeather 1 2 canadWeather 0.85
= M u l t i v a r i a t e F u n c t i o n a l D a t a = M u l t i v a r i a t e F u n c t i o n a l D a t a 0.85
( [ dailyTemp d a i l y P r e c ( [dayTemp d a i l y P r e c) 0.84
, ] ) The dictionaries the We data. , ] ) 辞書はWeデータです。 0.76
the a taining matrix of all sampling code extracts of すべてのサンプリングコード抽出物のaタイニング行列 0.59
construction for consider construction for ~ 0.61
of an IrregularFunctionalD ata contain values must and argvals data cell CD4 the that count for counts the representing CD4 points the missing values are each for values the only IrregularFunctionalD ata の値に must と argvals のデータセル CD4 が含まれており、その数値は CD4 のポイントをカウントする。 0.71
and non-missing except similar, is instance observation each for entry an cd4.csv file a in stored are common patient each the on Thus, coded as NA. ミスのない 同様に、格納されているcd4.csvファイルaは、それぞれが共通の患者であり、naとしてコード化されている。 0.57
the an construct and patient that of congrid following instance 構成員と患者は congrid (複数形 congrids) 0.60
IrregularFunctionalD ata. IrregularFunctionalD ata。 0.77
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 0.85
cd4 = pd . r e a d cd4 = pdだ R e a d 0.75
c s v ( ’ cd4 . c s v ( ’ cd4 。 0.87
c s v ’ , i n d e x c s v ’ , i n d e x 0.85
c o l =0) l c o l =0) l 0.92
a l a r g v a l s a l a r g v a l s 0.85
v a l u e s v a l u e s 0.85
= a r g v a l s a s t y p e ( np . = a r g v a l s a s t y p e (np )。 0.78
columns . i n t 6 4 ) cd4 . 列。 I n t 6 4 ) cd4 。 0.74
{ i d x = a r r a y ( a l l a r g v a l s [ ˜ np . i d x = a r r a y ( a l l a r g v a l s [ ] np ) である。 0.73
: np . for in enumerate ( cd4 . : np。 in enumerate (cd4 )。 0.75
idx row , { i d x : i s n a n ( row ) ] row [ ˜ np . idx row , { i d x : i s n a n ( row ) ] row [ s np ] 0.77
for in enumerate ( cd4 . in enumerate (cd4 )。 0.78
idx row I r r e g u l a r F u n c t i o n a l D a t a ({ ’ = idx row I r r e g u l a r F u n c t i o n a l D a t a ({ ’ =) 0.87
= , i n p u t = , I n p u t 0.83
i s n a n ( row ) ] ) )} v a l u e s )} v a l u e s d i m i s n a n ( row ) ] ) )} v a l u e s )} v a l u e s d i m 0.85
0 ’ : c d 4 c o u n t s 0 ’ : c d 4 c o u n t s 0.85
a r g v a l s } , a r g v a l s } , 0.85
6 6 0.85
英語(論文から抽出)日本語訳スコア
9 v a l u e s 9 v a l u e s 0.85
) Two 2 Remark can methods be the are, files ts itory3. ) 2 Remark can method is the is, file ts itory3.2 Remark can method 0.79
These multivariate are loaders to used load particular, in functions are data functional これらの多変量 使用するロードのローダであり、関数はデータ機能である 0.63
within the formatted included already well the UEA & UCR Time used in wrapper functions above way. フォーマットの中で 既に上記のラッパー機能で使用される UEA 及び UCR の時間を含んでいました。 0.74
imported be cannot インポートできません。 0.67
package: data the this パッケージ:データ これは 0.75
of in read from csv の csvから読みます 0.61
and csv ts or files. csv tsとかファイルとか 0.75
ts. These particular, Series Classification Reposcode Nonetheless, tsだ これらの特に、シリーズ分類レポスコード。 0.70
read In snippets. information Basic object the output will 読め スニペットだ information Basic オブジェクトが出力する 0.53
is be: when the その通りです あの時 0.55
about in the the について その... 0.45
functional command data line. 機能コマンド データ・ライン 0.72
object For Object For 0.83
called example, is いわゆる 例えば は 0.63
printed for on the 印刷して on the ~ 0.77
the standard temperature output dataset, 標準温度は 出力データセット 0.73
1 dailyTemp 1 DailyTemp 0.82
data functional Univariate support. データ 機能 単体サポート。 0.69
are outputs similar The irregular and For dense convenient way to substract objects from the 12 to from 5 observations the 出力は不規則で、物体を12から5の観測から減算するのに便利である。 0.63
for functional instances object 機能的に 例 object 0.75
the get 1 dailyTemp [ 5 : 1 3 ] ゲット 1 dailyTemp [ 5 : 1 3 ] 0.68
with 35 observations on と 35 観察 オン 0.71
a 1-dimensional the of objects, a provided temperature あ... 1次元 対象物が与えられた温度 0.53
other functional of types can data subset the of be in Python. その他の関数型は、Pythonでbeのデータをサブセットできる。 0.82
For example, data, we may write: 例えば、データ、次のように記述します。 0.67
objects. data extracted オブジェクト。 抽出データ 0.76
in order using to functional で 順序 使うこと 機能 0.70
data object データ object 0.82
with 8 observations on a と 8 観察 オン あ... 0.60
1-dimensional Univariate support. 1次元 単体サポート。 0.61
Note this that will subsetting method will an the iterator through obs method. 備考 これ あれ will サブセットメソッドは obs メソッドを通じてイテレータを生成する。 0.65
get to regards implement In into IrregularFunctionalD ata values are The In to regards implement In into IrregularFunctionalD ata value is The 0.78
instances missing coded with インスタンスの欠落 コード化 0.63
np.nan. Remark np.nan. 備考 0.57
we 1, work with not MultivariateFunction alData in the return instead univariate observations of the multivariate data 私たち 1, 仕事 MultivariateFunction alData ではなく、多変量データの単変量観測で 0.74
data functional functional instances. データ機能 機能 例 0.64
the list. is provided リストだ 用意されている 0.48
This However, the as しかし、これ。 として 0.56
convert functions to and instances to do the thus written: code is 関数とインスタンスを変換して、次のように記述する。 0.61
DenseFunctionalData reverse The DenseFunctionalDataの逆 0.81
operation. 1 2 dailyTemp . 作戦だ 1 2 DailyTemp。 0.67
cd4 . a s d e n s e cd4。 a s d e n s e 0.83
a s i r r e g u l a r ( ) s i r r e g u l a r ( ) 0.68
# i r r e g u l a r # i r r e g u l a r 0.85
( ) # dense t o ( ) # 密集 t o 0.76
t o dense i r r e g u l a r t o 密集体 I r r e g u l a r 0.74
3http://www.timeseri esclassification.com /index.php 3http://www.timeseri esclassification.com /index.php 0.31
7 7 0.85
英語(論文から抽出)日本語訳スコア
Of instance they of variables - 例 彼らは 変数 0.67
be following. data course, 後を追って データコース 0.49
Access functional to data accessed アクセス機能 データにアクセスし 0.80
4.2 The usually in the functional 4.2 通常は機能的に 0.87
In Python, can variables. Python では can 変数。 0.75
present some them name. We will for multivariate directly accessed be its through univariate elements. 名前を提示しろ 多変量を直接アクセスするのは、不定値要素を通して行う。 0.46
using dailyTemp.argvals object constructor. dailytemp.argvalsオブジェクトコンストラクタの使用。 0.64
instance the come with multiple classes using name.variable instance some that, Note cannot variables retrieved be have to and looping by are the and accessible and values argvals show what and the user gave the to Furthermore, dailyTemp.values stand with the shape as argvals but with normalized same we provide a variable argvals the variables instance points. name.variable インスタンスを使って、複数のクラスを出力します。 取得した変数は、アクセス可能で、値がargvalであることに注意してください。 さらに、dailyTemp.valuesは、argvalsの形状で、正規化されていますが、変数のインスタンスポイントに変数のargvalを提供します。 0.74
sampling are The observations – of in the object. サンプリングは、オブジェクト内の観察である。 0.62
number obs n the – in points sampling of number points n data functional nary. number obs n - in points sample of number points n data functional nary. 0.78
For the multivariate object, IrregularFunctionalD ata, case the the of of sampling points – dim n For MultivariateFunction alData range range The 多変数オブジェクト、不規則機能データの場合、サンプリングポイントの値 – 多変数機能データ範囲のdim n。 0.71
(one for functional data expressed is objects, – minimum and maximum values of the – minimum and maximum values of argvals. (表現された関数データのうちの1つはオブジェクトで、最小値と最大値、最小値と最大値の argvals です。 0.78
is two list. as observations a points the sampling は リストは2つ 観測が示すように サンプリングは 0.76
dimension each for of P list be should a the mean is number P リストの各次元は、平均が数であるならばある 0.75
obs points calculation obs ポイント計算 0.78
as a entries. dictioIn number エントリとして。 dictioIn番号 0.70
object it returned 返されたオブジェクト 0.81
tuple. as a input dimension of タプル として 入力寸法。 0.56
the curves, a as はあ? curves (複数形 curves) 0.48
the variable はあ? variable 0.60
per observation. for パー 観察だ ですから 0.55
images, etc. ). following: 画像 など ). 以下です 0.58
based on • • ベース オン • • 0.68
• • • tuple. 4.3 Basic built • • • タプル 4.3 basic ビルド 0.68
Plotting plotting methods upon for the matplotlib プロットの方法 matplotlibは 0.49
functional data package. 機能的なデータ パッケージ。 0.74
We provided are objects package the assume is 私たち 提供されたオブジェクトは、仮定するパッケージです 0.66
1 import m a t p l o t l i b 1 輸入 m a t p l o t l i b 0.80
. p y p l o t . P y p l o t 0.81
as p l t the として p l t はあ? 0.57
in loaded with inload with... 0.46
package. They are パッケージ。 彼ら は 0.70
plot method options plot メソッドのオプション 0.84
from the matplotlib library. matplotlibライブラリから。 0.64
returns an instance The Axes this so to on, and ticks, relative the plotting linewidths such as the graph parameters, Customization of of Axes. インスタンスを返す Axes this to on, and ticks, relative the plotting linewidths like the graph parameters, Customization of Axes。
訳抜け防止モード: インスタンスを返します。 axes this so to on, and ticks。 グラフパラメータや軸のカスタマイズなど、プロットされた行幅の相対。
0.71
can by passing arguments as inputs The example, be made curves all plot snippet weather all for temperature the to used is (represented data as a object), DenseFunctionalData can by pass arguments as inputs この例では、使用する温度の全てのプロットスニペットの天気は(オブジェクトとして表現されたデータ)、DenseFunctionalDataです。 0.73
using are modifiable linetypes or colors, the to function. 使用はmodifiableラインタイプまたは色、to機能です。 0.70
Canadian the Thus, all instance for following station カナダ人 そのため、次の駅の例はすべて 0.70
of frames the 1 2 3 4 5 フレームの はあ? 1 2 3 4 5 0.66
= p l t p l t p l t p l t = p l t p l t p l t l t l t 0.90
. . . . p l o t x l a b e l y l a b e l t i l e ( show ( ) . . . . p l o t x l a b e l y l a b e t i l e ( Show ( ) 0.84
t ( dailyTemp ) ) t (デイリーテンプ) 0.67
’ ’ Days ( ( ’ Temperature ’ D a i l y ’ ’ 日 ( ( ’ 温度 ’ D a i l y。 0.83
’ ) Temperature Data ’ ) 温度 データ 0.81
’ ) 8 ’ ) 8 0.85
英語(論文から抽出)日本語訳スコア
Figure 2: Results of 図 2: 結果 ですから 0.71
the plot method はあ? plot メソッド 0.54
for functional data ですから 機能 データ 0.70
object. Simulation オブジェクト。 シミュレーション 0.77
Brownian KarhunenLoeve ブラウン KarhunenLoeve 0.76
Figure 3: Links between 図 3: リンク 間 0.75
classes in the simulation クラス で はあ? シミュレーション 0.64
toolbox. while ツールボックス。 その間 0.65
the CD4 IrregularFunctionalD ata CD4不規則FunctionalData 0.71
plot of a プロット ですから あ... 0.41
cell object) cell (複数形 cells) 0.50
counts is 10 for patients by given カウントは 10人分の患者に 0.74
on the log-scale オン はあ? ログスケール 0.55
(represented as an (代表) として アン 0.59
1 2 3 4 5 = p l t p l t p l t p l t 1 2 3 4 5 = p l t p l t p l t l t l t 0.87
. . . . p l o t x l a b e l y l a b e l t ( l e i show ( ) . . . . p l o t x l a b e l y l a b e l t ( l e i show ( ) ) 0.86
t ( c d 4 c o u n t s ( ’ Month ( ’CD4 ’CD4 t (c d 4 c o u n t s ( ’ month ('cd4 ’cd4)) 0.88
[ 5 : 1 5 ] ) s i n c e c e l l c o u n t s [5 : 1 5 ] ) s i n c e c e l l c o u n t s 0.84
c o u n t s f o r c o u n t s f o r 0.85
s e r o c o n v e r s i o n l o g−s c a l e i n d i v i d u a l s e r o c o n v e r s i o n l o g−s c a l e n d i v i d u a l 0.87
’ ) ) ) ’ 5−14 ’ ’ ) ) ) ’ 5−14 ’ 0.94
( ) The plots ( ) あらすじ プロット 0.65
are shown in Figure は 示します で 図 0.70
2. functions are test simulated using a truncated version of 2. 機能 は truncatedバージョンを使ってシミュレートするテスト 0.78
implemented order in simulation 実施 順序 で シミュレーション 0.69
Data 4.4 Simulation The data can be (class from the principal the データ 4.4 シミュレーション データは (プリンシパルからのクラス) です。 0.76
simulated For シミュレーションして 0.76
geometric. KarhunenLoeve) Simulation instance 幾何学的 karhunenloeve)シミュレーションの例 0.78
as well (see class variables: basis observation (after motions, three can we example, また(クラス変数を参照)、基底観察(動きの後、3つの例を挙げることができます。 0.62
Brownian For to Brownian へ 0.57
new methodological the Karhunen-Lo`eve as diverse Brownian motions (class Brownian) the 3). 新しい方法論 カルフネン・ロエヴ(karhunen-lo`eve) 多様なブラウン運動(クラスブラウン) 3。 0.69
Figure of An Simulation used contains that basis data running the new()). 使用されるシミュレーションの図は、new()を実行している基底データを含む。 0.72
types are simulate N 型はNをシミュレートする 0.74
element the fonction implemented: = 10 element the fonction implemented: = 10 0.85
realizations standard, and 実現 標準だ そして 0.67
of a developments. ですから あ... 開発。 0.44
representation that inherits have class two that contains 継承する表現は、クラス2を含む 0.78
fractional fractional~ 0.73
and Brownian fractional ブラウンは fractional~ 0.64
9 05010015020025030035 0Days−30−20−1001020TemperatureDa ilyTemperatureData−10010203040Monthsinc eseroconversion50010 00150020002500CD4cel lcounts(log-scale)CD 4countsforindividual 5-14 9 0501001502002300350D ays−30−20−1001020TemperatureDa ilyTemperatureData−10010203040Monthsinc esinceseroconversion 5001000150020002500C D4cellcounts(log-sca le)CD4countsforindiv idual5-14 0.52
英語(論文から抽出)日本語訳スコア
Figure sion 4: Example 図 sion 4: 例 0.79
(a) of simulated a)シミュレートされた 0.88
the on motion 0.7 to equal using 運動0.7と等しく使うこと 0.77
one-dimensional one‐dimensional 0.57
brownian brownian . ブラウン系ブラウン系。 0.44
new ( n new (複数形 news) 0.48
= Brownian ( name= ’ = Brownian (複数形 Brownians) 0.77
1 2 3 The 1 2 3 あらすじ 0.60
process X using Process X の使用 0.89
represented data. (a) Brownian motion. 代表 データだ (a)ブラウン運動。 0.68
(b) Karhunen-Lo`eve (b)カルフネンロ(eve) 0.70
expan- (b) observation 広がり (b) 観察 0.70
with a Hurst と Hurst (複数形 Hursts) 0.47
parameter . . . パラメータ . . . 0.83
grid {0, 0.01, f r a c t i o n a l ) ’ i n s p a c e l グリッド {0, 0.01, f r a c t i o n a l ) ’ i n s p a c e l 0.78
, 1} , , at , 1} , , に 0.82
1 , ( 0 1 0 1 ) 1 , ( 0 1 0 1 ) 0.85
has this trucated これは Trucated 0.63
decomposition. Xn(t) = µ(t) + 分解 Xn(t) = μ(t) + 0.62
Each coefficients: o b s =10 , a r g v a l s=np . 各係数: o b s =10 , a r g v a l s =np 。 0.84
h u r s t =0.7) a Karhunen-Lo`eve J(cid:88) decomposition, t ∈ T , j=1 {φj}j=1,...,J . h u r s t =0.7) a karhunen-lo`eve j(cid:88) decomposition, t ∈ t , j=1 { φj}j=1,...,j 。 0.83
µ The functions of basis and orthonormal E(ξj) = 0 ξj that such variables random Gaussian of and λj ≥ orthonormal decrease towards 0. μ は基底と正規直交 e(j) = 0 の関数であり、そのような変数のランダムガウス函数と λj ≥ 正規直交函数は 0 へと減少する。
訳抜け防止モード: μ 基底関数と直交関数 E(*j ) = 0 ^j である。 そのような変数の乱数ガウス と λj の正則は 0 に減少する。
0.66
Multiple eigenfunctions of a Wiener process, Fourier exponential variance The coefficients eigenvalues of a Wiener process. ワイナー過程の複数の固有関数、フーリエ指数分散 ワイナー過程の係数固有値。 0.58
New bases that Legendre polynomials, the 新基地 伝説の多項式は 0.65
function realizations eigenvalues a can have linear their can set 関数の固有値の実現 aは彼らの缶集合を線形に持つことができる 0.52
realizations or own. 実現 あるいは自分のもの 0.69
ξj,nφj(t), n = 1, ^j,nφj(t) n = 1。 0.81
, N, can its ,N。 できる その 0.73
an be of of アン な ですから ですから 0.53
J . . . 0 = J . . . 0 = 0.85
N curves eigenvalues with 10 N 曲線 固有値 10 0.78
[0, 1], using decrease: [0, 1] 減少を利用して 0.78
5 eigenfunctions The user T on = exponential n ( 0 5 固有関数 ユーザ T on =指数 n ( 0) である。 0.71
’ a are with ’ あ... 一緒です 0.49
common mean with ξj,n coefficient Var(ξj) λj = bases are implemented: series decrease easily can For 一般的な意味 j,n 係数 var(j) λj = bases が実装されている: 級数が容易に減少できる。 0.65
or be be the added. または 追加しました 0.57
we basis example, from a B-splines 私たちは 例、Bスプラインから。 0.63
and B-splines basis. B-splines ベース。 0.56
can on simulate T and o b s =10 , c l u s t e r can on ♪ T と o b s = 10 , c l u s t t e r をシミュレートする 0.69
s t d= ’ k l k l s t d= ’ k l k l 0.92
1 2 3 = . new ( n 1 2 3 = . new (複数形 news) 0.73
KarhunenLoeve ( name= ’ b s p l a r g v a l s=np . KarhunenLoeve (名前= ’ b s p l a r g v a l s=np 。 0.95
l , i n e s i n s p a c e l , i n e s i n s p a c e 0.85
f u n c t i o n s =5) , f u n c t i o n s = 5) , , 0.86
1 0 1 ) 1 , 1 0 1 ) 1 , 0.85
, e x p o n e n t i a l , e x p o n e n t i a l 0.85
’ ) 10 0.00.20.40.60.81.0−2.0−1.5−1.0−0.50.00.51.01.52.00. 00.20.40.60.81.0−0.4−0.20.00.20.4 ’ ) 10 0.00.20.40.60.81.0−2.0−1.5−1.0−0.50.00.51.01.52.00. 00.20.40.60.81.0−0.4−0.20.00.20.4 0.65
英語(論文から抽出)日本語訳スコア
Figure 4 presents of decomposition. 図 4 プレゼント 分解するのです 0.67
plot a of プロット あ... ですから 0.41
basis tensor product 基礎 tensor 製品 0.76
Karhunen-Lo`eve the implemented. Karhunen-Lo`実装済み。 0.74
We also to added methods generate that, these are implemented only functions adds function pointwise noise to the tic are noise If implemented. また、ticが実装された場合、ticがノイズとなるように、機能のみを実装した関数がポイントワイズノイズを付加する手法も追加する。 0.60
single a homoscedastic simulated. single a homoscedastic simulation (英語) 0.69
will noise be can be and vectors of size points n in the instance variable data. Will noise be be and vectors of size point n in the instance variable data。 0.69
noisy σ2 = 0.05, we run noisy σ2 = 0.05 です。 0.79
1 k l . a d d 1 kl . d の d 0.73
n o i s e ( v a r n o i s e (v a r) 0.85
and, for そして... ですから 0.44
heteroscedastic heteroscedastic 0.85
1 k l . a d d 1 kl . d の d 0.73
n o i s e ( v a r n o i s e (v a r) 0.85
n o i s e =0.05) n o i s e =0.05) 0.86
the The functions. Brownian simulated two simulation of Simulation for 機能です。 ブラウンシミュレーションによるシミュレーションの2つのシミュレーション 0.64
motions and dimensional higher from those based is data dimensional data is 運動と高次元 それらのベースからデータ次元データです。 0.71
the on not a as だめだ あ... として 0.34
well data. add まぁ データだ add 0.74
noisy on Note sparse as observations The Simulation. うるさい シミュレーションの観察としてスパースに注意。 0.50
of instances noise heteroscedasand homoscedastic Both observations. ノイズヘテロシデダスとホモシデダスティックの両方の観測の例です 0.62
function, to parameter given the as scalar is functions lambda case, heteroscedastic the For The are data the supplied by noisy stored example, For to random noise with variance (cid:112) 1 + |x|, np . function, to to parameter given the as scalar is function lambda case, heteroscedastic the For is data by noisy stored example For to random noise with variance (cid:112) 1 + |x|, np . 0.84
abs ( x ) ) ) + abs (x ) ) ) + 0.81
x → ( 1 s q r t x → ( 1 s q r t) 0.93
user. add variance ユーザー。 add ばらつき 0.76
defined np . by x : 定義 np。 で x : 0.74
noise with n o i s e=lambda 騒音 n o i s e=lambda 0.65
function The randomly cisely, we randomly then and data sparse are 50% of remove run we 1 brownian . ランダムに実行し、ランダムに処理し、データスパースが削除されたwe 1 brownianの50%である。 0.69
randomly sparsify generate the number sampling the select instance in the sampling points ランダムにスパーシファイはサンプリングポイントのセレクトインスタンスをサンプリングする数を生成する 0.76
removes sampling of sampling to points variable sparse (more or less 5%) 様々なスパース点(5%以上)へのサンプリングのサンプリングを除去する 0.76
points points to from remove For data. ポイントはデータを削除します。 0.65
on the Brownian the Brownian―the Brownian 0.66
from the observation. for retain each each observation. 観察から それぞれの観察を維持するためです 0.56
example, Preobservation The randomly data, 例えば Preobservation ランダムなデータ。 0.60
simulated stored the シミュレーション 保存した 0.69
to s p a r s i へ s p a r s i 0.74
f y ( p e r c e n t a g e =0.5 , f y (p e r c e n t a g e =0.5 , 0.91
e p s i l o n =0.05) e p s i l o n =0.05) 0.82
Figure 5 data. lated 図5のデータ。 遅刻 0.62
presents a プレゼント あ... 0.37
plot of the プロット ですから はあ? 0.47
noisy and sparse うるさい そして スパース 0.59
verions of the Karhunen-Lo`eve ベリオン ですから Karhunen (複数形 Karhunens) 0.47
simu- let Z be シム Z を許す な 0.57
a discrete taking あ... 離散 テイク 0.38
values in the 4.4.1 Let K be {1, range 値 で はあ? 4.4.1 K を {1, range 0.67
Clusters simulation positive a integer, and , K} . クラスタシミュレーションは正の整数、そして , K} である。 0.76
. . such that P(Z = k) = pk . . p(z = k) = pk となるように 0.84
with pk > 0 random variable K(cid:88) k=1 realizations と pk > 0 ランダム変数 K(cid:88) k=1 の実現 0.71
pk = 1. the pk = 1。 はあ? 0.57
and The consider variable that そして 考察 変数です 0.58
Z the represents cluster membership process stochastic the Z はクラスターメンバーシッププロセスを表します。 0.67
of functional mixture model follows 機能的混合モデルの 以下 0.73
of a the with K ですから あ... K と 0.41
process. We compo- プロセス。 コンポ- 0.54
11 11 0.85
英語(論文から抽出)日本語訳スコア
Figure 5: simulated 図5:シミュレーション。 0.86
(a) the for (a) Noisy a) for (a) noisy 0.63
Results data. nents, 結果データ。 nents, 0.80
that is, it allows あれ それは それ 許可する 0.64
for and Sparse ですから とスパース 0.57
add noise data. ノイズデータを追加。 0.81
(b) K(cid:88) the following k=1 (b) K(cid:88) 次のk=1 0.82
sparsify data. データをスパーシファイドする 0.59
(cid:88) decomposition: j≥1 (cid:88)分解:j≥1 0.66
X(t) = µk(t)1{Z=k} + X(t) = μk(t)1{Z=k} + 0.88
ξjφj(t), t ∈ T , jφj(t) t ∈ T , 0.81
functions (b) on the Karhunen-Lo`eve 機能 (b) カルフネンロ(karhunenlo) 0.60
where • • • where • • • 0.85
, µK . . µ1, . 、μK。 . µ1, . 0.84
are the mean {φj}j≥1 is an orthonormal ξj, j ≥ 1 real-valued random variables which are are ξj|Z = k ∼ N (0, σ2 Z. 平均 { φj}j≥1 は正規直交変数である: j ≥ 1 の実数値確率変数は、j|z = k (0, σ2 z) である。 0.77
1 ≤ k ≤ K, For each kj). 1 ≤ k ≤ K, 各 kj に対して)。 0.88
can generate N = 10 realizations of For example, we coefficients with with given 例えば、与えられた係数を持つ係数を n = 10 個生成することができる。 0.68
cluster. functions. curves basis クラスター 機能。 曲線の基礎 0.61
per of conditionally independent 1人あたり 条件付き独立 0.58
given two clusters using 3 eigenfunctions ですから 3つの固有関数を用いた2つのクラスタ 0.49
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 0.85
N n n c e n t e r s c l u s t e r N n n c e n t e r s c l u s t e r 0.85
= 10 f e a t u r e s c l u s t e r s = s t d = 10 f e a t u r e s c l u s t e r s = s t d 0.85
= = np . np = np である。 0.62
= 3 2 a r r a y np . = 3 2 a r r a y np であった。 0.77
( [ [ 2 a r r a y ( [ [ [ 2 a r r a y] 0.88
, ( [ −1] , [ 2 , ( [ −1] , [ 2 0.92
, [ − 0 . 5 , [ 0 . , [ − 0 . 5 , [ 0 . 0.85
5 , 1 ] 1 . 5 , 1 ] 1 . 0.85
5 ] 1 ] , , , 5 ] 1 ] , , , 0.85
[ 0 [ 1 , , [ 0 [ 1 , , 0.85
0 ] 1 ] ] ) ] ) 0 ] 1 ] ] ) ] ) 0.85
simu simu . シム・シム(simu simu)。 0.29
new ( n new (複数形 news) 0.48
KarhunenLoeve ( n KarhunenLoeve (複数形 KarhunenLoeves) 0.56
= ’ w i e n e r ’ , c l u s t e r s=n = ’ w i e n e r ’ , c l u s t e r s=n 0.90
f u n c t i o n s=n f u n c t i o n s=n 0.98
f e a t u r e s f e a t u r e s 0.85
) n c l u s t e r s ) n c l u s t e r s 0.85
, o b s=N, c e n t e r s=c e n t e r s , o b s=N, c e n t e r s=c e n t e r s 0.91
, c l u s t e r , c l u s t e r 0.85
s t d=c l u s t e r s t d=c l u s t e r 0.98
s t d ) Figure snippet. s t d)。 図のスニペット。 0.68
6 shows the plot 6 ショー はあ? プロット 0.60
of the simulated ですから はあ? シミュレーション 0.52
data corresponding to the データ 対応 へ はあ? 0.60
previous code 12 0.00.20.40.60.81.0−1.00−0.75−0.50−0.250.000.250.500.75 1.000.00.20.40.60.81 .0−0.4−0.20.00.20.4 前 コード 12 0.00.20.40.60.81.0−1.00−0.75−0.50−0.250.000.250.500.75 1.000.00.20.40.60.81 .0−0.4−0.20.00.20.4 0.59
英語(論文から抽出)日本語訳スコア
clusters. Each クラスタ。 それぞれ 0.68
color represents a 色 代表者 あ... 0.49
cluster. 6: Figure Simulation Parameters Curves クラスター 6: 図形シミュレーションパラメータ曲線 0.67
of data with two estimation 2つの推定値を持つデータ 0.70
the sake of [5]. はあ? と。 [5]. 0.51
This type of denoising これ 型 ですから denoising~ 0.68
points . . . define ポイント。 . . 定義 0.76
5 5.1 that P Considering the model defined in (1), we assume = 1 and for readability, function Xn(·) using the available The objective superscript. 5 5.1 すなわち P が(1) で定義されたモデルを考えると、可読性に対して = 1 と仮定し、Xn(...) 関数が利用可能である。 0.74
the we omit the is to estimate local consider Thus, we points. 局所的な考慮を見積もることから、私たちはポイントを省略します。 0.57
sample polynomial smoothers estimators bandwidth. サンプル多項式スムーサ 帯域幅を推定する。 0.57
parameter, the on depends crucially tuning a d t0 T ∈ ≥ be and the 0 integer an be Let the estimation evaluation R, U (u) u Xn. パラメータとして、on は d t0 t ∈ ≥ be を重要なチューニングに依存し、0 の整数 a は推定評価 r, u (u) u xn とする。 0.78
(1, u, ∈ consider we of = any vector the For and note that h−1K(·/h). (1, u, ∈) は任意のベクトルを for と考えて h−1k(·/h) に注意する。
訳抜け防止モード: (1, u, ∈ consider) We of = any vector the For and note that h−1K(·/h) 。
0.89
R → R Uh(·) U (·/h). R → R Uh(·) U (·/h)。 0.92
K kernel a positive = Let : be = and Mn(cid:88) (cid:8)Yn,m − ϑ(cid:62)Uh (Tn,m − t0)(cid:9)2 define: Moreover, we (Tn,m − t0) , := arg min ϑ∈Rd+1 m=1 ϑMn,h The normal the satisfies vector bandwidth. K kernel a positive = let : be = and Mn(cid:88) (cid:8)Yn,m − θ(cid:62)Uh (Tn,m − t0)(cid:9)2 さらに、 we (Tn,m − t0) , := arg min θ θ Rd+1 m=1 θMn,h はベクトル帯域幅を満たす。 0.89
equations Mn(cid:88) (Tn,m − t0) U(cid:62) 1 (Tn,m − t0) Kh Uh (Tn,m − t0) Mn(cid:88) (cid:1) Kh (cid:0)T (n) (cid:1) . 方程式 Mn(cid:88) (Tn,m − t0) U(cid:62) 1 (Tn,m − t0) Kh Uh (Tn,m − t0) Mn(cid:88) (cid:1) Kh (cid:0)T (n) (cid:1) 。 0.85
(cid:0)T (n) h Mn m=1 1 a = aMn,h = − t0 − t0 Yn,mUh m m Mn (cid:98)h, m=1 (cid:98)X (n)(t0) the matrix A and smallest that, whenever note the eigenvalue of A−1a. (cid:0)T (n) h Mn m=1 1 a = aMn,h = − t0 − t0 Yn,mUh m m Mn (cid:98)h, m=1 (cid:98)X (n)(t0) 行列 A と最小である。 0.81
With estimation hand an the bandwidth at the (0)(cid:98)ϑ, (cid:98)ϑ = ϑMn,(cid:98)h. (cid:98)X (n)(t0) = U(cid:62) d order by: given is of of where d Nadaraya-Watson the case particular the = of in are we 0, are Gaussian, bi-square Epanechnikov, tri-cube and kernels implemented 推定ハンドでは、 (0)(cid:98)θ, (cid:98)θ = θMn, (cid:98)h. (cid:98)X (n)(t0) = U(cid:62) d order by: given is of where d Nadaraya-Watson the case of the case of in are we 0, are Gaussian, bi-square Epanechnikov, tri-cube and kernels implemented 0.93
λ Let be ϑMn,h = estimator λ を θmn,h = estimator とする 0.87
for , ud/d!) Kh(·) は、ud/d! Kh(·) 0.68
λ > 0, we local λ > 0, ローカルです。 0.86
have polynomial estimator. 多項式を持つ 推定器 0.54
and others A = AMn,h = 他にも A = AMn,h = 0.77
where with AϑMn,h どこで AθMn,h 0.72
= a ϑMn,h h =a θMn,h H 0.79
is the If The can は はあ? 場合 缶 0.54
Kh of 13 0.00.20.40.60.81.0−6−4−2024 ク ですから 13 0.00.20.40.60.81.0−6−4−2024 0.52
英語(論文から抽出)日本語訳スコア
Figure 7: (a) Curve 図 7: (a)曲線 0.78
(a) and (b) smoothed (a)及び (b) 滑らかに 0.76
estimation for the Canadian Temperature 推定 ですから カナダの温度 0.67
data. (b) be the データだ (b) その通りだ 0.66
the if we want added in a modular way. 私たちが望むなら モジュール的な方法で追加。 0.78
We underlying regularity of For example, to smoother with mial estimate run: we 1 dailyTemp 2 例えば、マイアル推定の実行を円滑にするために:私たちは1dayTemp 2です。 0.67
smooth an = smooth アン = 0.74
an propose [9]. function the smooth daily at bandwidth of 提案[9]. 帯域幅で毎日スムーズに機能する 0.65
dailyTemp . DailyTemp。 0.71
smooth ( p o i n t s =0.5 , 滑らかな (p o i n t s =0.5 , 0.77
neighborhood =2) estimate of 近隣=2 推定 ですから 0.59
the bandwidth h that はあ? 帯域幅 H あれ 0.62
is based on temperature t0 = 0.5 and は ベース オン 温度 t0 = 0.5 と 0.67
curves a neighborhood a a地区をカーブさせる 0.57
using local polynopoints, 2 of 利用 局所ポリノポイント 2個 0.74
Figure 7 presents the 図 7 プレゼント はあ? 0.62
plot of the プロット ですから はあ? 0.47
smoothed temperature data 滑らかに 温度 データ 0.74
compared to the original 比較 へ はあ? オリジナル 0.60
ones. estimation mean for the X. process eigenfunctions 一つ X. 過程固有関数の推定平均 0.60
5.2 Mean covariance and In this section, estimators develop we X (p), 1 p P ≤ ≤ component the from (cid:98)X (p) compute estimators of eigenvalues and expansion. 5.2 平均共分散およびこの節では、推定子は X (p) 1 p P ≤ ≤ ≤ 成分を (cid:98)X (p) から発展させ、固有値と展開を計算できる。 0.69
suitable be Let a nonparametric estimator of n M (p) (Y (p) n,mp, T (p) . 好ましくは、n M (p) (Y (p) n,mp, T (p) の非パラメトリック推定器とする。 0.78
. n,mp), n = 1, , N0, . . n,mp), n = 1, , N0, 。 0.81
pairs as instance for n subsection. 対は n 個の部分の例である。 0.53
With previous presented as the in that at N(cid:88) function estimation, we define (cid:98)X (p) (cid:98)µ(p) n N n=1 estimation example, the code the snippet for smoother with linear local using curves 前述したように、n(cid:88) 関数推定の in として、(cid:98)x (p) (cid:98)μ(p) n n=1 推定の例を、曲線を用いて線形局所的にスムースにするためのコードとして定義する。
訳抜け防止モード: 前述のように N(cid:88 ) 関数推定で示される。 cid:98)X ( p ) ( cid:98)μ(p ) n n = 1 推定例を定義する。 曲線を使った線形局所的なスニペットをより滑らかにするコード
0.80
temperature (tp) = (tp), 温度 (tp) = (tp) 0.75
1 N For and These of 1N のために そしてこれらが 0.69
the covariance estimators X (p) for the X (p) (cid:98)Xn’s curve the n polynomial a local tuned the hand X (p) (cid:98)Xn's curve the n polynomial a local tuned the hand 0.58
functions of used a might to Karhunen-Lo`eve 使用される機能 Karhunen-Lo`eve へ。 0.82
be applied with estimator for な 推定器を応用する 0.60
the such the mean tp ∈ Tp. そういう意味は tp ∈ Tp。 0.69
the of bandwidth mean equal 帯域幅は 平均は等しい 0.66
curve of the 0.05 is to daily 0.05の曲線は 毎日 0.75
14 05010015020025030035 0Days−30−20−1001020TemperatureDa ilyTemperatureData0. 00.20.40.60.81.0Days −30−20−1001020TemperatureDa ilyTemperatureData 14 05010015020025030035 0days−30−20−1001020daily temperaturedata0.00. 20.40.60.81.0days−30−20−1001020 temperaturedaily temperaturedata 0.46
英語(論文から抽出)日本語訳スコア
Figure 8: (a) Mean 図 8: (a)平均 0.75
(a) and (b) covariance (a)及び (b) 共変性 0.74
estimation for the Canadian Temperature 推定 ですから カナダの温度 0.67
data. (b) = データだ (b) = 0.80
1 2 temp mean 1 2 テンポ つまり 0.63
dailyTemp . DailyTemp。 0.71
mean ( smooth= ’ L o c a l L i n e a r bandwidth =0.05) (cid:98)X (p) For the covariance function, following [21], we distinguish the diagonal N(cid:88) points. mean ( smooth= ’ L o c a l L i n e a r bandwidth =0.05) (cid:98)X (p) 共分散関数の場合、[21] に従って、対角 N(cid:88) 点を区別する。 0.82
With diagonal at hand the ’s for tuned the covariance function (cid:98)Cp,p(sp, tp) = (cid:98)X (p) (sp)(cid:98)X (p) n (tp) −(cid:98)µ(p) (sp)(cid:98)µ(p) 1 sp, tp ∈ Tp, n n N N N (cid:98)Cp,p(sp, tp), sp n=1 kernel the of diagonal two-dimensional covariance is then estimated using (cid:54)= tp details. 対角的には、共分散関数 (cid:98)Cp,p(sp, tp) = (cid:98)X (p) (sp)(cid:98)X (p) n (tp) −(cid:98)μ(p) (sp)(cid:98)μ(p) 1 sp, tp ∈ Tp, n n N N (cid:98)Cp,p(sp, tp), sp n=1 対角共分散の核は (cid:54)= tp 詳細を用いて推定される。 0.86
the for [21] See data. for [21] はデータを参照。 0.80
input as = temp cov dailyTemp . input as = temp cov dailyTemp 。 0.74
( smooth= ’GAM’ (スムース=「GAM」 0.69
c o v a r i a n c e c o v a r i a n c e 0.85
The with (tp), 1 ’ と。 (tp) 1 ’ 0.71
, from the nonestimation, (cid:54)= tp. , nonestimation から (cid:54)= tp。 0.80
smoothing sp ) 6 MFPCA The FDApy package developped by Happ data functional the Section methodology in theoretical please 平滑化 sp ) 6 mfpca happデータ機能により開発されたfdapyパッケージ 理論上はセクション方法論 0.77
details, implements MFPCA for data defined on potentially different domains, and Greven upon build is the review defined classes of we 6.1, 6.2. 詳細は? 潜在的に異なるドメインで定義されたデータに対して MFPCA を実装し、ビルド時に Greven は私たち 6.1, 6.2 のクラスをレビューする。 0.55
For refer to implementation After package. 参照のこと。 実装 パッケージ後。 0.65
how effectively the method short in Section いかに効果的に section (複数形 sections) 0.53
The [10]. the in explain [10]. 10]です。 説明します [10]。 0.53
of giving a it use それを使おうとするさま 0.71
to Methodological Greven 6.1 Happ Following the in plugging mations are done へ 方法論 6.1 Happ インプラグングメーションが完了すると 0.65
and univariate as the the components follows. そして不平等に 部品は次の通りです 0.49
background [10], multivariate computed 背景[10], 多変量計算 0.71
components from each それぞれのコンポーネントから 0.81
are component X (p). component X (p) である。 0.86
computed These for これを計算して ですから 0.49
by esti- X estiによる。 X 0.59
15 0.00.20.40.60.81.0Nr malizedtime−30−20−1001020Temperature0. 00.20.40.60.81.0Norm alizedtime0.00.20.40 .60.81.0Normalizedti me102030405060708090 100 15 0.00.20.40.60.81.0nr malizedtime−30−20−1001020 temperature0.00.20.4 0.60.81.0normalizedt ime0.00.20.40.60.81. 0normalizedtime10203 0405060708090100 0.45
英語(論文から抽出)日本語訳スコア
err 翻訳エラー 0.00
英語(論文から抽出)日本語訳スコア
Figure 9: the mean row corresponds 図9:平均行は対応する 0.80
Results of functions to the MFPCA for of the 関数の結果です。 MFPCA (複数形 MFPCAs) 0.68
the bivariate bivariate (複数形 bivariates) 0.38
the Canadian Weather data. カナダの気象データ。 0.69
precipitation and (left) eigenfunctions found 99% of 降水と(左)固有関数は99%であった 0.74
temperature The first (right) data. 温度 最初の(右)データ。 0.79
explained for row represents second 解説 ですから row (複数形 rows) 0.51
The variance. in the univariate ばらつき。 univariate (複数形 univariates) 0.47
explain 99% of that list in a MFPCA how the them. MFPCAでそのリストの99%を説明します。 0.57
1 2 f p c a f p c a 1 2 f p c a f p c a 0.85
= MFPCA( n i f = MFPCA(n i f) 0.93
t . ( canadWeather t . (canadWeather) 0.79
, components = [ 0 . , コンポーネント = [ 0 です。 0.84
9 9 , 0 . 9 9 ] ) ) ’ method= ’ NumInt 9 9 , 0 . 9 9 ] ) ) ’ method= ’ NumInt 0.88
the variance within the data. データ内のばらつきです 0.57
method Here, constructor. ここの方法 コンストラクタ。 0.62
scores The computed. are 得点 計算済み。 は 0.70
of The number components the in parameter numerical we inパラメーター数値weの要素について 0.63
are fit method integration fitメソッドの統合です 0.85
use specified indicates derive to 利用 特定の指示を導出する 0.67
The scores are computed あらすじ 得点 は 計算 0.62
using the transform function: 利用 はあ? 変身 機能: 0.60
1 s c o r e s 1 s c o r e s 0.85
= f p c a . t r a n s f o r m ( data=canadWeather ) = f p c . t r a n s f o r m ( data=canadWeather ) 0.84
The eigenvalues. within the あらすじ 固有値。 その中の 0.53
eigenvalues are Hence, we data. 固有値 つまり、私たちはデータです。 0.67
stored only as need 保存のみ 必要に応じて 0.66
instance variables. We few eigencomponents a インスタンス変数。 eigencomponents (複数形 eigencomponents) 0.60
remark to remark (複数形 remarks) 0.30
rapid explain most the 素早い説明は はあ? 0.48
decrease of the of the variance 減少する。 ばらつきの程度は 0.67
17 −20−15−10−505101520Temperature (°C)012345Precipitatio n(mm)0.00.20.40.60.8 1.0Normalizedtime−1.5−1.0−0.50.00.51.01.50.00. 20.40.60.81.0Normali zedtime−1.5−1.0−0.50.00.51.01.5 17 −20−15−10−505101520Temperature (°C)012345Precipitatio n(mm)0.00.20.40.60.8 1.0Normalizedtime−1.5−1.0–0.50.50.51.01.50.00. 20.40.60.81.0Normali zedtime−1.5−1.0–0.50.50.51.01.5 0.49
英語(論文から抽出)日本語訳スコア
1 f p c a . e i g e n v a l u e s 1 f p c . e i g e n v a l u e s 0.80
array([4.36e+01, array([4.36e+01, 0.71
4.62e+00, 1.20e+00, 4.62e+00, 1.20e+00, 0.44
5.76e-01, 1.14e-01, 5.76e-01 1.14e-01 0.46
2.61e-02]) 2.61e-02]) 0.59
expansion univariate Implemented 6.2.2 is based on the univariate basis MFPCA expansions two only basis Currently, basis All package. 拡張 univariate Implemented 6.2.2 is based on the univariate basis MFPCA expansions two only basis, basis All package. 0.84
the univariate the basis, transform, the to compute elements of return transform, and basis, the within fit implemented given their scores. 基底、変換、戻り変換の要素の計算、および基底は、それらのスコアによって実装された内部適合である。 0.68
The are: • basis expansion of are は以下の通り。 are の基底拡大 0.62
to bases expansions 基地へ expansions 0.74
should implemented. each of すべきよ 実施。 それぞれが 0.56
the New bases implemented the observations はあ? 新しい基地が観測を実施 0.58
to compute the the process. 計算する プロセス。 0.54
components of to can be easily the methods: used the observations scores of space functional the in to の構成要素は容易な方法である:空間機能 the in の観測スコアを用いて 0.87
added fit, • an fitの追加。 • アン 0.70
numerical integration. comp which if 数値 統合。 もしそうなら 0.61
n – Univariate domains. n -一変数の領域。 0.67
UFPCA mensional tiple (see covariance B-splines. UFPCAmensional tiple (共分散Bスプラインを参照。 0.69
ized functional data, sparse to ment build of variance principal FCP-TPA two dimensional domains. 分散プリンシパルFCP-TPAの2次元ドメインの拡張機能データ、スパースからメントビルド。 0.62
Consider N image data. N の画像データを考える。 0.75
the data can be of representation Functional one data dion for Components Analysis Principal basis This Mulexample. データは表現可能で コンポーネント分析のための関数1データダイオン 主基盤 このMulexample。 0.67
Canadian Weather the in was used are smoothing methods and of the mean the estimation the implemented for Section 5), such or GAM with penalas polynomial estimation local are scores The Considering computed using The main argualso used the PACE algorithm [21]. inが使用されたカナダの天気は平滑化法であり、第5節で実施した推定平均値)、あるいはペナラス多項式推定局所値(gam)は、ペースアルゴリズム[21]を用いて計算された主アルグ(英語版)を用いて算出された考慮値である。
訳抜け防止モード: カナディアン・ウェザー・インはスムーズな手法であり、第5節で実施した推定平均値である)。 such or GAM with penalas polynomial estimation local is scores The considerationd using the main argu also used the PACE algorithm [21 ]。
0.68
one may be can the proportion the class instance of comp < 1, of number the or principal the by explained to components computed, if Functional – Candecomp/Parafac algorithm is This realizations of tensor X in as J(cid:88) assumed: X = λjuj ⊗ vj ⊗ wj, j=1 ∈ RN , vj ∈ RSx ∈ RSy uj λj and wj scalar, where are vj ⊗ wj product addition, the outer In product. 関数型 – Candecomp/Parafac アルゴリズムが J(cid:88) としてテンソル X のこの実現: X = λjuj , vj , wj, j=1 ∈ RN , vj ∈ RSx ∈ RSy uj λj , wj scalar, ここで vj , wj , wj は外積である。
訳抜け防止モード: 一つは comp < 1 のクラスインスタンスの比例である。 計算された成分に説明される数または主数の function – Candecomp / Parafac algorithm is This realizations of tensor X in as J(cid:88) ) 仮定: X = λjuj > vj > wj, j=1 ∈ RN。 vj ∈ RSx ∈ RSy uj λj and wj scalar, ここで vj は wj 積加法である。 The outer In product.
0.85
outer jth evaluated on points grid as the same the eigenimage λjvj observations the gathering the the vector score is vector vj ⊗ wj. 固有イメージλjvj観測と同じ点格子上で評価された外側jthは、ベクトルスコアの収集がベクトルvj、wjである。 0.78
adapted eigenimage Our is from the R to argument, [12]. Adapted eigenimage 私たちはRから引数に[12]です。 0.69
package the an build MFPCA is FCPTPA, comp which is principal of components n ビルド MFPCA のパッケージは FCPTPA であり、コンポーネント n のプリンシパルである comp である。 0.84
is UFPCA n components, comp ≥ 1. n Tensor Power Algorithm used to a find basis process X stochastic RN×Sx×Sy . UFPCA n 成分、comp ≥ 1.n Tensor Power Algorithm は、探索基底プロセス X の確率的 RN×Sx×Sy に使用される。 0.86
A and ⊗ denotes the interpreted as the Moreover, data. A は、さらに、データとして解釈されるものを表します。 0.69
the onto projected of function TPA FCP instance class the of computed. 計算された関数 TPA FCP インスタンスクラスを投影する。 0.69
to data on decomposition of Sx × Sy, defined Candecomp/Parafac へ Candecomp/Parafac 定義 Sx × Sy の分解に関するデータ 0.78
implementation The main the number 実装 メインの数値です。 0.53
vectors can be original ベクトルはオリジナルになり得る 0.77
represented is the data 表されるのは データ 0.71
for on a ですから オン あ... 0.46
a is 18 あ... は 18 0.59
英語(論文から抽出)日本語訳スコア
fCUBT FDApy package potentially the fCUBT FDApy パッケージの可能性 0.92
7 The on build the methodology of a detailed 7 詳細な方法論を構築します。 0.72
upon in description, different functional では 説明では 異なる機能 0.71
implements domains, data Section please ドメイン、データセクションを実装してください 0.67
clustering the for fCUBT by developed [8]. 開発[8]によってfCUBTをクラスタ化する。 0.66
The package. in defined classes the explain 7.1, we how to effectively refer to [8]. パッケージ。 定義されたクラスでは、説明7.1は、 [8] を効果的に参照する方法です。 0.60
objects defined of functional data of implementation the method is review giving short a Section it in 7.2. 実装の関数データで定義されたオブジェクトは、7.2のセクションを短くするレビューです。 0.75
For After use Methodological 7.1 Let S realizations of sample be a U every that such partition T U as built defined tree is a tree T is denoted the node of のために 使用後 メソッド7.1 サンプルの S 実現を U とし、構築された定義木のような分割 T U が木 T のノードを意味する。 0.69
the element U using a by Sd,j. 要素 u は a by sd,j を使用する。 0.77
of background process X. ですから 背景 プロセスX。 0.69
We U of gathers top-down 私たちはトップダウンで集まります 0.61
consider similar procedure the elements by 同様の手順を考える 要素は 0.62
problem of S. The of recursive splitting. 再帰的な分割の問題。 0.52
learning a partition Each 各パーティションを学習する 0.82
7.1.1 At each 7.1.1 それぞれ 0.64
Growing stage, a node 成長段階、a node 0.77
(d, j) is possibly (d。 j) は おそらく 0.74
split into split 入り込む 0.74
two subnodes 二 subnodes 0.77
in a four step で あ... 四 ステップ 0.60
procedure: 1. 2. 3. 手順: 1. 2. 3. 0.82
4. a is set 4. あ... は セット 0.62
ncomp elements components, ncomp 要素 コンポーネント 0.69
A MFPCA, with on conducted the eigenvalues Λd,j of in a associated with eigenfunctions Φd,j. MFPCA は、固有関数の固有値 td,j を、固有関数 td,j に関連づけたものである。 0.63
of set scores Cd,j is of The matrix defined with then the the built with columns Sd,j elements the of elements of onto the of Φd,j. 集合のスコア Cd,j が行列であるなら、列 Sd,j で構築された行列は、sd,j の上の要素の要素である。 0.72
each K = 1, . それぞれ K = 1 である。 0.85
. . , Kmax, For we fit a GMM to the (cid:98)Kd,j = ,MKmax}. . . , Kmax, For we fit a GMM to the (cid:98)Kd,j = ,MKmax}。 0.86
{M1, resulting models denoted as are mine BIC(MK) arg max (cid:98)Kd,j > 1, K=1,...,Kmax the model M2, which using is If vectors. M1, result model indicated as as as mine BIC(MK) arg max (cid:98)Kd,j > 1, K=1, ...,Kmax the model M2, which using if vectors。 0.88
Otherwise, node is considered to be a node. そうでなければ、ノードはノードと見なされる。 0.76
this for is the of tion recursive there of each これは各々の 再帰的作用です 0.46
until procedure continues observations are less than minsize to is the mode clusters 1. equal in The leaf node). 手順が続くまで、観察は最小値以下です。モードクラスタ 1. リーフノードで等しくなります)。 0.70
resulting the one of node the in the When is tree referred その結果 When がツリーを参照しているノードの1つ 0.66
split Sd,j the stopped 停止したSd,jを分割する 0.68
columns Considering a mixture node 考慮する列 混合ノード; 混合ノード 0.62
downwards (terminal down‐ward (終端) 0.60
terminal of and tree we ターミナル と 木 私たち 0.63
. . . to as . . . へ として 0.74
of two Gaussian the construc(cid:98)Kd,j rules label the maximal ですから 2 Gaussian the construc(cid:98)Kd,j rule label the maximal 0.73
following or the algorithm ends, アルゴリズムに従うか、終了します。 0.49
stopping estimation a of Sd,j. 停止推定a Sd,j の略。 0.67
It results projections Cd,j. それ 結果 投影 Cd,j。 0.73
the matrix the BIC, we BICのマトリックスです。 0.52
The deter- The satisfied: are number the of assigned is to binary tree. 抑止者 満たされた:は二分木に割り当てられた番号です。 0.56
7.1.2 In this direct 7.1.2 このダイレクトで 0.58
Joining step, the ancestor. 祖先のステップに合流する。 0.60
idea is to join terminal 思想 は へ 参加 ターミナル 0.66
nodes which do ノード つまり やれ 0.68
not necessarily share the だめだ 必ず 共有 はあ? 0.56
same 19 同じだ 19 0.75
英語(論文から抽出)日本語訳スコア
2. 1. Build G = (V, E) where 2. 1. 建築 G = (V, E) ここで 0.75
graph the (cid:110) = {Sd,j, 0 ≤ j < 2d, 0 ≤ d < D | Sd,j V (Sd,j, Sd(cid:48),j(cid:48) ) Sd,j E = (Sd,j, Sd(cid:48),j(cid:48) ) Let be and the replace asssociated Continue by procedure the Sd(cid:48),j(cid:48) }. グラフ化(cid:110) = {sd,j, 0 ≤ j < 2d, 0 ≤ d < d | sd,j v (sd,j, sd(cid:48), j(cid:48)) sd,j e = (sd,j, sd(cid:48),j(cid:48) ) let be and the replacement asssociated continue by procedure the sd(cid:48),j(cid:48) }。 0.92
procedure The empty the set. 手順 セットを空にする。 0.69
| Sd,j, Sd(cid:48),j(cid:48) edge with vertex applying | Sd,j, Sd(cid:48),j(cid:48) edge with vertex applied 0.98
is a (cid:54)= Sd(cid:48),j(cid:48) ∈ V, the maximum BIC value. is a (cid:54)= Sd(cid:48),j(cid:48) ∈ V, the maximum BIC value。 0.95
by Sd,j ∪ Sd(cid:48),j(cid:48) . Sd,j は Sd(cid:48),j(cid:48) である。 0.80
1. with step the continues 1. ステップで 継続 0.72
reduced until reduce~ それまで 0.65
to a the へ あ... はあ? 0.38
the set 3. はあ? セット 3. 0.64
is V is (cid:111) (cid:98)K(d,j)∪(d(cid:48),j(cid:48) ) = 1 node}, terminal and edge this Remove は V は (cid:111) (cid:98)K(d,j)*(d(ci d:48),j(cid:48)) = 1 node}, terminal and edge this Remove 0.83
and . then \ {Sd,j, Sd(cid:48),j(cid:48) }} ∪ {Sd,j ∪ {V set E element unique そして . じゃあ \ {sd,j,sd(cid:48),j(ci d:48)}} , {sd,j ] {v set e element 一意である。 0.76
the or 7.2 Implementation The construct Hence, we class. はあ? あるいは 7.2 実装 コンストラクトHnce, we class。 0.61
on the of implementation is the based fCUBT fCUBT object contains a sample which node of the tree the specifyng class of root fCUBT data. 実装のベースとなるfCUBT fCUBTオブジェクトは、ツリーのどのノードがルートfCUBTデータの指定クラスであるかのサンプルを含む。 0.77
growth number the with function tree of the using performed is the The grow Once each node as parameters. growth number 実行中の使用の関数ツリーは、パラメータとして各ノードを成長させます。 0.84
eigencomponents to keep at tree has grown, the the step using class the the function. ツリーに保持する固有コンポーネントが成長し、関数のクラスを使用するステップが増加した。 0.73
prediction of join the for through possible function the proba predict predict to each class). probaは各クラスに予測を予測できる機能を通じてforの結合の予測)。 0.78
an of of joining new observation is belong 新しい観察に参加することが属しているさま 0.64
of a probabilities probabilities (複数形 probities) 0.52
The (or is made The (or) 作られます 0.81
to 7.2.1 In this extracted all 1 2 へ この中の7.2.1は 0.66
Example on the Canadian Weather we example, the perform a from the bivariate Canadian Weather カナダの天気の例例、二変カナダの天気から実行します。 0.61
clustering clustering~ 0.71
of data univariate data. ですから データ一変数データ。 0.65
We the observations within r o o t f c u b t 私たち r o o t f c u b t における観測 0.72
n o d e = FCUBT( n o d e = FCUBT 0.69
= the dataset. = はあ? データセット。 0.62
Node ( dailyTemp ノード(dayTemp) 0.75
r o o t Temperature Canadian root build the node constructor called. R o o t 温度カナディアンルートは、ノードコンストラクタを呼び出します。 0.69
is The FCUBT i s r o o t=True ) , n o d e=r o o t n o d e FCUBT i s r o o t=True ) 、 n o d e=r o o t n o d e です。 0.94
) data containing To the ) を含むデータ へ 0.70
we choose remaining of construction 10 Figure allows us univariate of considering 残りを選べば 構造 10 図は考慮の単一変数を可能にします。 0.56
tree, grow the of the variance branch of the the presents to show the maximum tree data clustering Figure tree, grow the variance branch of the presents to show the maximum tree data clustering Figure 0.73
objects). results. オブジェクト)。 結果だ 0.68
11, is results This One 11, 結果です こちらです。 0.70
the if stopped of はあ? もし 止まった 0.59
to a consider number observations at each there less are clustering. 個々に考慮すべき数の観測は クラスタリングを減らします 0.72
The plot once the data has representation is particularly a at the cut might データが表現されたらプロットは特にカットされるかもしれません。 0.62
components that tree. そのツリーのコンポーネント。 0.72
of the of node observations than 5 from the function fitted (currently, been for useful the height. 関数の5より大きいノードの観測のうちの1つ(現在、その高さに役立ちます)。 0.73
given explain Moreover, in a FCUBT only ですから さらに説明してください fcubtでのみ 0.56
95% the node. class for understanding example, For 95%のノード。 例を理解するためのクラス。 0.75
also tree 1 f c u b t また 木 1 f c u b t 0.77
. grow ( n . grow (複数形 grows) 0.70
components =0.95 , component =0.95 , 0.66
m i n s i z e =5) m i n s i z e = 5) 0.87
20 20 0.85
英語(論文から抽出)日本語訳スコア
Figure cluster. 10: 図クラスタ。 10: 0.79
Plot of the Canadian プロット ですから カナダ人 0.60
Temperature dataset. 温度 データセット。 0.72
Each color represents それぞれ 色 代表者 0.68
a different Figure 11: あ... 違う 図 11: 0.60
Grown tree T illustration 成長 ツリーTイラスト。 0.67
for the Canadian Temperature ですから カナダの温度 0.65
dataset. 21 データセット。 21 0.76
0.00.20.40.60.81.0Da ys−30−20−1001020TemperatureDa ilyTemperatureData01 −30−20−1001020(0,0)01−20−1001020(1,0)01−30−20−1001020(1,1)01−1001020(2,0)01−20−1001020(2,1)01−30−20−1001020(2,2)01−30−20−10010(2,3)01−505101520(3,0)01−10−505101520(3,1) 0.00.20.40.60.81.0Da ys−30−20−1001020TemperatureDa ilyTemperatureData01 −30−20−1001020(0,0)01−20−1001020(1,0)01−30−20−1001020(1,101−1001020(2,0)01−20−1001020(2,1)01−30−20−1001010(2,3)01−505101520(3,0)01−105010101520(3,1) 0.41
英語(論文から抽出)日本語訳スコア
The joining explained is step variance ジョイントの説明は ステップのばらつきです 0.66
the performed of はあ? performed of... 0.34
the join observations to join 参加する観察を結合する 0.72
using the function. 利用 はあ? 機能。 0.60
We two nodes. choose ノードは2つです。 選ぶ 0.67
to consider 95% of 1 へ 考察 95% 1 0.65
f c u b t . f c u b t . 0.85
j o i n ( n j o i n (n ) 0.94
components =0.95) コンポーネント=0.95) 0.61
Conclusion 8 The package tation, using 結論 8 パッケージ tation を使用します。 0.70
including unittest which examples, is the is 単体テストを含む 例を挙げると isは 0.77
is publicly available on Github4 Github4で公開されています 0.62
available with the package. パッケージと利用できる。 0.69
unit framework testing ユニット 枠組み テスト 0.73
and the Python Package tests Python Package テスト。 0.60
Index5. are also provided with Python. インデックス5。 Pythonも提供されている。 0.76
Some A documenimplemented 一部 a documenimplemented 0.64
Acknowledgment The tion no. Acnowledgment の tion No。 0.58
author wishes for Research 2017/1116. 著者の希望は2017/1116。 0.52
Renault thank Groupe to for and Technology) their Renault氏(Groupe氏、技術に感謝) 0.78
the and financial ANRT support 財政的にも ANRT のサポート 0.74
(French via National the CIFRE (フランス語) CIFRE (複数形 CIFREs) 0.54
Associaconvention in アソシエーション で 0.58
the Discriminative Functional Subspace, 識別機能という機能 サブスペース。 0.51
2015. 1.1. funLBM: Model-Based Co-Clustering Schmutz. 2015. funLBM: Model-based Co-Clustering Schmutz 0.77
and A. Jacques, version R package 2.1. and A. Jacques, Version R package 2.1。 0.84
2020. Greven. 2020. Greven 0.68
S. and R¨ugamer, Software, Statistical of Pablo, D. G. Fernandez, Johnsen. S. and R sugamer, Software, statistics of Pablo, D. G. Fernandez, Johnsen 0.92
S. and amandaher, D. Tucker, S. and Amandaher, D. Tucker 0.87
P. Gaa-uam/scikit-fda: P. Gaa-uam/scikit-fda 0.36
Boosting 94(10):1–50, 94(10):1-50, 0.66
functional 2020. pedrorponga, 2020年機能。 ペドロポンガ 0.56
Marcos, C. M. 0.5, Version Marcos C.M.0.5 バージョン 0.59
regression models of 回帰モデル ですから 0.62
[4] [3] [2] [4] [3] [2] 0.85
funFEM: Clustering funFEM: クラスタリング 0.76
References C. Bouveyron. C. Bouveyronを参照。 0.71
[1] version R package C. Bouveyron, J. Functional Data, Brockhaus, S. D. Journal FDboost. [1] バージョン R パッケージ C. Bouveyron, J. Functional Data, Brockhaus, S. D. Journal FDboost。 0.96
with R. C. Carreno, hzzhyj, Berrocal, 2020. R.C.Carreno、hzzhyj、Berrocal、2020と。 0.80
Dec. Local J. 12月 ローカルJ。 0.74
Fan and in Monographs statistics 22968-4. Fan and in Monographs statistics 22968-4 0.87
Chapman & Hall, J. Goldsmith, S. Greven, tional Data Using Principal Components. Chapman & Hall, J. Goldsmith, S. Greven, Optial Data Using principal Components (英語) 0.81
4https://github.com/ StevenGolovkine/FDAp y 5https://pypi.org/pr oject/FDApy/ 4https://github.com/ StevenGolovkine/FDAp y 5https://pypi.org/pr oject/FDApy/ 0.32
I. Gijbels. I. Gijbels。 0.91
on [5] [6] オン [5] [6] 0.79
22 polynomial modelling and London, and C. Crainiceanu. 22 多項式モデリングとロンドン、およびC. Crainiceanu。 0.86
applied 1996. and , probability 1996年適用。 そして 確率は 0.75
its applications. そのアプリケーション。 0.71
0960-6696 ISSN 0960-6696 ISSN 0.71
Number 66 ZDB-ID: ; 66 ZDB-ID: ; 0.90
Corrected Confidence Bands 2013. 2013年、バンド結成。 0.49
69(1):41–51, 69(1):41–51, 0.82
Biometrics, for Func- バイオメトリックス ファンクのために- 0.39
英語(論文から抽出)日本語訳スコア
J. Wrobel, C. Di, L. Huang, Scheipl, and Crainiceanu, P. L. Xiao, C. version 0.1-22. J. Wrobel, C. Di, L. Huang, Scheipl, and Crainiceanu, P. L. Xiao, C. version 0.1-22。 0.81
R package 2020. Rパッケージ2020。 0.74
Klutchnikoff, functional multivariate Clustering V. and Patilea. Klutchnikoff, functional multivariate Clustering V. and Patilea 0.81
stat], Dec. [cs, arXiv:2012.05973 2020. binary trees. stat], Dec. [cs, arXiv:2012.05973 2020。 0.80
Klutchnikoff, smoothness the and V. Patilea. Klutchnikoff, smoothness the and V. Patilea 0.82
Learning of [math, estimation. 数学, 推定]の学習. 0.72
curve online J. Harezlak, M. W. refund: Regression オンラインカーブ J. Harezlak、M.W.返金:リグレッション 0.72
J. Gellar, T. Reiss. J. Gellar, T. Reiss 0.93
arXiv:2009.03652 arXiv:2009.03652 0.39
noisy stat], to Functional 騒がしい統計] へ 機能 0.63
Principal Component the 校長 コンポーネント。 0.63
of Analysis American ですから 分析アメリカ 0.65
Journal Domains. 2018. 日誌 ドメイン。 2018. 0.74
for Functional Data. Journal 関数型データ。 日誌 0.67
of Statistical Functional on Different Dimensional Domains, J. Bagnall, Time ですから 統計 異なる次元領域, J. Bagnall, Time 上の関数 0.73
V. Kazakov, with Principal Component Analysis for 1.3-6. v. カザコフと 1.3-6の主成分分析 0.61
R package 2020. sktime: Lines, and [cs, Series. R package 2020. sktime: Lines, and [cs, Series] 0.86
F. arXiv:1909.07872 F. arXiv:1909.07872 0.44
version J. Kir´aly. バージョンJ. Kir ́aly。 0.68
for Machine S. Ganesh, 機械用 S. Ganesh 0.72
Learning [7] [8] 学習 [7] [8] 0.82
[9] [10] [11] [9] [10] [11] 0.85
[12] [13] [14] [12] [13] [14] 0.85
[15] [16] [17] [15] [16] [17] 0.85
[18] [19] [20] [18] [19] [20] 0.85
N. Software Multivariate N! ソフトウェア 多変量 0.71
unsupervised 93(1):1–38, Apr. 監督なし 93(1):1-38。 0.61
N. application Object-Oriented 2020. N. 適用 オブジェクト指向2020。 0.78
Different (Dimensional) 113(522):649–659, Apr. 異なる(次元) 113(522):649–659, Apr。 0.78
F. Swihart, Functional Data, Golovkine, using Golovkine, with 2020. F. Swihart, Functional Data, Golovkine, using Golovkine, with 2020。 0.88
Happ and S. Observed Data HappとS. Observed Data 0.95
J. Goldsmith, McLean, B. with S. data S. curves Sept. Greven. J. Goldsmith, McLean, B. with S. data S. curves S. Greven. 0.83
C. for on Statistical Association, C. Happ-Kurz. C. 統計協会 C. Happ-Kurz 0.72
Software, C. Happ-Kurz. ソフトウェア、C. Happ-Kurz。 0.75
MFPCA: Multivariate Data Observed M. A. L¨oning, Interface A Unified stat], Sept. 2019. MFPCA: Multivariate Data Observed M. A. L 'oning, Interface A Unified stat], 2019年9月。 0.87
L. A. Secchi, Sangalli, Patriarca, Parodi, M. K-Mean Alignment, Functional Data Analysis: Functional J. Ramsay Statistics. L. A. Secchi, Sangalli, Patriarca, Parodi, M. K-Mean Alignment, Functional Data Analysis: Functional J. Ramsay Statistics 0.96
2 edition, J. MATLAB. 第2版、J.MATLAB。 0.70
J. O. package A. Schmutz, Model-Based 2.3.0. version R. Tavenard, R. Yurchak, M. Rußwurm, K. Kolar, Journal Toolkit 2020. J.O. package A. Schmutz, Model-Based 2.3.0. version R. Tavenard, R. Yurchak, M. Rußwurm, K. Kolar, Journal Toolkit 2020 0.77
J. D. 1.9.4. J.D.1.9.4。 0.46
Hooker, Springer-Verlag, New York, fda: hooker, springer-verlag, new york, fda: 0.83
S. Graves, Ramsay, 5.1.5.1. version J. Jacques, Clustering S. Graves, Ramsay, 5.1.5.1. version J. Jacques, Clustering 0.67
and Springer-Verlag, New York, そしてニューヨーク州のSpringer-Verlag 0.73
and C. Bouveyron. そしてC. Bouveyron。 0.87
in Group-Specific in group‐specific 0.67
G. Use R! Series Data. G. Use R! シリーズデータ。 0.87
Silverman. Functional シルバーマン。 機能 0.71
Ramsay, Hooker. Ramsay Hooker 0.51
Graves. fdasrvf: Graves fdasrvf: 0.69
Tucker. Faouzi, タッカー。 ファウジ。 0.45
and G. Elastic for とG。 弾性 ですから 0.66
Time B. W. and 時間 B.W。 そして 0.76
S. G. O. P. S。 G。 O。 P。 0.77
J. 23 Vantini, and R package Analysis. J。 23 Vantini、およびRパッケージ分析。 0.79
S. 2015. Data 2005. 2015年。 2005年データ。 0.78
Functional 2009. Functional 2009年機能。 機能 0.81
Data fdakma: データ fdakma: 0.82
Vitelli. V. version Springer ヴィテリ。 V. version Springer 0.75
1.2.1. Series 1.2.1. シリーズ 0.63
in Analysis with R and で 分析 と R そして 0.74
Data Analysis, 2020. データ 分析。 2020. 0.77
R funHDDC: Univariate Functional Subspaces, R funhddc:univariate functional subspaces, 0.81
and Multivariate 2019. package と Multivariate 2019. package 0.96
R Vandewiele, G. Divo, F. E. Woods. R Vandewiele, G. Divo, F. E. Woods 0.90
and of Machine Androz, Tslearn, Learning そして機械は Androz, Tslearn, Learning 0.77
C. Holtz, M. A Machine Research, C. Holtz, M. A Machine Research 0.93
Payne, Learning 21(118):1–6, Payne, Learning 21(118):1–6 0.95
Data Analysis, 2020. データ 分析。 2020. 0.77
R package version R package バージョン 0.83
英語(論文から抽出)日本語訳スコア
[21] and F. Yao, H.-G. M¨uller, J.-L. Wang. [21] そしてF. Yao、H.-G.M シュラー、J.-L. Wang。 0.69
the American of Journal dinal Data. American of Journal Dinal Data(英語) 0.65
2005. Functional Data Analysis Statistical Association, 2005. 機能データ分析統計学協会 0.80
for 100(470):577–590, ですから 100(470):577–590, 0.69
Sparse LongituJune Sparse LongituJune 0.85
24 24 0.85
                                                 ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。