特徴量選択手法について、モデルの予測精度・選択された特徴量の割合・選択された乱数の特徴量の割合で議論しました！[金子研論文]
金子研の論文が Heliyon に掲載されましたので、ご紹介します。タイトルはExamining variable selection methods for the predictive performance of regression...
はじめてのプレゼンテーションに向けて
今回の記事は、研究内容についてのプレゼンテーションをはじめてする方々に向けた内容です。研究成果を出したあとは、もちろん論文を書くこともありますが、学会発表などでプレゼンテーションをすることもあります。ここではプレゼンテーションの準備の仕方や...
転移学習における標準化(オートスケーリング)
転移学習は、対象としているデータセット (ターゲットドメイン) だけでなく、そのデータセットに少し関連はありますが、一緒には扱えなさそうな別のデータセット (ソースドメイン、こちらはサンプル数がある程度大きいことが前提です) を活用して、回...
「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」 正誤表
「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」 をご購入いただき感謝申し上げます。売れ行きも好調のようで嬉しい限りでございます。多くの方々に実験計画法、適応的実験計画法、ベイズ最適化をご活用いただきたいという思いで執筆し...
[無料公開] 「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」 の “まえがき”、目次の詳細、第１・２章
2021 年 6 月 3 日に、金子弘昌著の「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」が出版されました。講談社: Amazon: Amazon(Kindle): === 出版して約２年経過した 2023 年 4 月 ...
Locally-Weighted Partial Least Squares (LWPLS, 局所PLS) における目的変数の予測誤差を推定する手法を開発しました！[金子研論文]
金子研の論文が Journal of Chemometrics に掲載されましたので、ご紹介します。タイトルはEstimating the Reliability of Predictions in Locally Weighted Par...
サンプル・特徴量・データ・データセットなどの用語を整理します！
データ解析・機械学習において、「データ」 の話をするとき、いろいろな用語が飛びかいます。サンプル、特徴量、記述子、変数、説明変数、目的変数、データ、データセットなどです。データ解析や機械学習の議論をするとき、人によって用語の使い方が違うと、...
現在進めている研究内容や最近の興味
金子研で現在進めている研究内容や最近の興味は以下のとおりです。直接的逆解析法による分子設計・材料成形・プロセス設計分子設計・材料成形・プロセス設計において、説明変数 x と目的変数 y の間でモデル y=f(x) を構築した後、目標の y ...
AD を設定すれば万事OK？
回帰モデルやクラス分類モデルを構築したあとは、それを効果的に使用するため、モデルの適用範囲 (Applicability Domain, AD) を設定する必要があります。モデルは、説明変数 x の値が入力されれば、それがどんな値でも、目的...
LASSO も SVR もスパースモデリング！
特に少数のサンプルでクラス分類モデルや回帰モデルを構築するときに、スパースモデリング (sparse modeling) が注目されています。Sparse を英辞郎で調べると、「まばらな、わずかな、希薄な」 と訳され、データ解析や機械学習に...