回帰モデル・クラス分類モデルの逆解析～目標のY(物性・活性など)を達成するためのX(説明変数・記述子・特徴量・パラメータ・入力変数)とは？～
回帰モデルやクラス分類モデルが得られたあとの話です。 よくやるのは、説明変数 (記述子・特徴量・パラメータ・入力変数) X の値を回帰モデルやクラス分類モデルに入力して、目的変数 Y の値を推定することです。これをモデルの順解析とよびます。...
dcelab
Xの変数を適切に非線形変換して線形の回帰モデルを作るとモデルの適用範囲・適用領域が広がるかも！[検証結果とPythonプログラムあり]
今回は、説明変数・記述子・特徴量・入力変数を非線形関数で変換するお話です。 説明変数 X と目的変数 y との間で回帰モデルを作るとき、X と y との間に非線形の関係 (y = x12 + log(x2) とか) があるとき、一つのアプロ...
共同研究に対する金子研のスタンス～学生の関わりなど～
基本的に、金子研は共同研究に対して、来る者は拒まず、といったスタンスです。もちろん、事前にお話を伺って、それはちょっと金子研の出番はないのでは？？、となれば、お断りすることもあるかもしれません。ただ、これまで相手の方々が入念に検討してから金...
どんなクラス分類のデータも回帰分析に変換する方法 (説明変数にも使えます)
教師あり学習には、大きく分けてクラス分類と回帰分析があります。目的変数が連続値であれば回帰分析、サンプルごとのクラスの情報であればクラス分類です。変数のレベル的には、回帰分析の目的変数が間隔尺度もしくは比例尺度、クラス分類の目的変数が名義尺...
ディープラーニング(深層学習)が流行る理由～なんでもディープラーニングでOKというわけではない～
いろいろなところで、ディープラーニング (deep learning) とか深層学習とかディープニューラルネットワークとかを耳にすると思います。実際にニューラルネットワークのモデルを構築したことがある人もいるかもしれません。ディープラーニン...
誤差逆伝播法によるニューラルネットワーク(BackPropagation Neural Network, BPNN)～深層学習(ディープラーニング)の基礎～
誤差逆伝播法によるニューラルネットワーク (BackPropagation Neural Network, BPNN) についてです。基本的には深層学習 (ディープラーニング) も同じ学習方法で実現できます。BPNN について説明するスライ...
コピペのメリット・デメリット～コピペとの正しい付き合い方～
わたしもよく使うコピペ (コピー & ペースト) についてです。ファイルや画像のコピペもできますが、今回は文字のコピペのみにします。文字を選択してから、パソコンであれば コピー：「Ctrl + C」 (Windows), 「command ...
GAPLS, GASVR でモデルの推定性能がよくなるように説明変数の選択をしよう！[Pythonコードあり]
遺伝的アルゴリズム (Genetic Algorithm, GA) を使って説明変数を選択する話です。２つの手法である Genetic Algorithm-based Partial Least Squares (GAPLS) Geneti...
表現力向上のための研究要旨の作成 [研究室の学生向け]
今回は完全にデータ化学工学研究室 (金子研) 内の話です。こちらの、研究スキル・研究能力を構成する１５の力の中で、表現力についてです。 相手に伝えたいことを、相手のバッググラウンド (背景・専門分野・レベル) を考えて、文字や図などで分かり...
非線形モデルの解釈をしよう！～非線形モデルを各変数で偏微分～
線形のクラス分類モデル・回帰分析モデルでは、説明変数 (記述子・特徴量) ごとに重みが求まります。実際には説明変数の間には相関関係があるためモデルの解釈は簡単ではありませんが、重みを見ることでそのモデルを解釈した気になれます。 ただ、非線形...