モデルの適用範囲の手法やハイパーパラメータの選び方
説明変数 x と目的変数 y の間で構築されたモデル y = f(x) を運用するとき、モデルの適用範囲 (Applicability Domain, AD) が必須になります。AD は、モデルが本来の予測性能を発揮できる x のデータ範囲...
未来予測をするモデルを検証するときの注意点
説明変数 x と目的変数 y の間で構築されたモデル y = f(x) の目的として、未来の予測をすることもあります。未来のことはわからないとはいえ、モデルを構築できるということはデータがあるわけですから、データを用いて、構築されたモデルで...
モデルの予測精度と解釈可能性を両立できる手法を開発しました！[金子研論文]
金子研の論文が Journal of Computer Chemistry, Japan に掲載されましたので、ご紹介します。タイトルは Constructing Regression Models with High Prediction...
文章が書ける人と書けない人の違い～読んだ量・書いた量・想像力～
職業柄、もちろん論文や本やブログなどで自分でも文章を書きますが、学生の文章を添削することもします。学生のなかには、最初からうまく文章を書ける人もいれば、最初はあまりうまく書けず、だんだんとレベルアップする人もいます。 その辺りの違いについて...
目的変数に上限や下限があるときの回帰分析の潜在的問題と、その解決方法
回帰分析をするとき、目的変数 y に上限や下限のある変数を使用するときがあります。0 から 1 までの値だったり、0 % から 100 % までの間だったりする変数です。基本的には、回帰分析における y として使用して問題ありません。ただ、...
三つの本の使い分け
2021年8月1日現在、金子弘昌 著の３冊の本が出版されています。 金子研オンラインサロンでは、本の内容に関する質問をいただいたり議論が深まったりして嬉しい限りです。修正点などのご指摘もいただき、実際に私の方で修正し、内容的にもアップデート...
過学習(オーバーフィッティング)が怖いときはアンサンブル学習と組み合わせよう！
過学習 (オーバーフィッティング) した回帰モデルやクラス分類モデルがあるとき、そのようなモデルとアンサンブル学習との相性はよいです。そもそもアンサンブル学習は、精度が低いモデルでもたくさん用いて予測することで、最終的な精度を向上させる学習...
「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」 化学・化学工学のデータ解析・機械学習を学びながら実験計画法やベイズ最適化を実践したい方へ
金子弘昌, 「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」, 講談社, 2021 講談社: Amazon: 自分の本の紹介で恐縮です。ただ、ケモインフォマティクス、マテリアルズインフォマティクス、プロセスインフォマティク...
直接的逆解析法では特徴量の制約、定性的な特徴量、転移学習も扱えます
金子研で開発している直接的逆解析についてです。 (直接的逆解析ではない) いわゆる一般的な逆解析では、モデルを構築した後に、説明変数 x の大量のサンプルを生成し、構築したモデルに入力し、目的変数 y の値を予測します。そして予測値が良さそ...
講演会は、共同研究と似ています
皆様のおかげさまで、嬉しいことに講演会に講師としてご招待いただいたり、企業において講演会を開催していただきお話しさせていただいたりしております。例えば、企業における講演会の例としては、60 分から 90 分くらいお話しさせていただき、30 ...