特徴量として実測値ではなく推定値を用いたほうがモデルの予測精度が高くなるときってありますよね
分子設計・材料設計・プロセス設計において、分子・材料・プロセスの特徴量と x と分子や材料の物性・活性・特性 y との間で、データセットを用いて数理モデル y = f(x) を構築して、モデルを用いて x の値から y の値を予測したり、y...
ケモインフォマティクス
一つのサンプルに対して実験結果が複数あるときのアンサンブル学習
分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・合成条件・プロセス条件・プロセス変数 x と分子や材料の物性・活性 y との間で数理モデル y = f(x) を構築し、構築されたモデルを用いて x から y を予測したり...
任意の回帰分析手法で変数重要度(特徴量重要度)を計算する機能をDCEKitに搭載しました！[v2.10.1]～Cross-validated Permutation Feature Importance(CVPFI)～
どの回帰分析手法でも変数重要度 (特徴量重要度) を計算する機能を DCEKit に搭載しました！重要度が 0 を有意に超えるようであれば、その説明変数 x はモデルの予測精度に貢献しているといえます。しかも、x の間に相関関係があっても、...
[無料公開] 「化学・化学工学のための実践データサイエンス―Pythonによるデータ解析・機械学習―」 の “まえがき”、目次、第１・２章
2022 年 10 月 5 日に、金子弘昌著の「化学・化学工学のための実践データサイエンス―Pythonによるデータ解析・機械学習―」が出版されました。 朝倉書店: Amazon: これまで他に、三冊の本 「化学のための Pythonによる...
Cross-validated Permutation Feature Importance(CVPFI)～任意の回帰分析手法で、説明変数間の相関関係を考慮しながら安定的に変数重要度(特徴量重要度)を計算する手法[金子研論文]
金子研の論文が Analytical Science Advances に掲載されましたので、ご紹介します。タイトルは Cross-validated permutation feature importance considering c...
2022年度ゼミ合宿 写真
3年ぶりのゼミ合宿で、有馬温泉に行ってきました！ ゼミをやったり、温泉でゆっくりしたり、神戸や明石によったりと、充実した一泊二日でした。ゼミでは、恒例の「モデルの逆解析」縛りで、さまざまな発表がありました。学生たちの成長も確認でき、大満足の...
DFT計算とベイズ最適化、そしてドメイン知識を駆使して新たな有機半導体材料の分子を開発しました！[パナソニック&金子研の共同研究論文]
パナソニックと金子研における共同研究の成果の論文が The Journal of Physical Chemistry A に掲載されましたので、ご紹介します。タイトルは Design of Molecules with Low Hole ...
線形モデルだからといって非線形モデルより外挿性が高いわけではまったくありません
よくある誤解の一つに、線形モデルは予測精度が低いけど外挿性が高い、非線形モデルは予測精度が高いけど外挿性が低い、というのがあります。回帰モデルが線形だからといって非線形モデルより予測精度が低いわけではありませんし、線形モデルだからといって非...
Datachemical LAB にどんな価値があるか
化学・化学工学分野におけるデータ解析・機械学習クラウドサービス「Datachemical LAB」の価値についてです。なお、無料トライアルを終えたほぼ全員が Datachemical LAB を即決していただき、そうでなくても、次の年度初め...
SELFIESに基づいてシンプルに新規な化学構造を生成するPythonコードをDCEKitに公開します！
(アイキャッチ画像は、Midjourney にて chemical structures, molecules, organic chemistry, benzene, carbon, hydrogen で描画) データ解析・機械学習に基づ...