![DCEKit に新機能追加 [v2.6.1]！トレーニングデータなしでスペクトルから濃度を推定する方法](https://datachemeng.com/wp-content/uploads/mixture-150x150.png)
DCEKit に新機能追加 [v2.6.1]！トレーニングデータなしでスペクトルから濃度を推定する方法
DCEKit への新機能追加です。 こちらの Iterative Optimization Technology (I...
「 ケモメトリックス 」一覧
![DCEKit に新機能追加 [v2.5.2]！Variational Bayesian Gaussian Mixture Regression(VBGMR)とクロスバリデーションによるGMR最適化](https://datachemeng.com/wp-content/uploads/sweets_okashi_erabu_boy-150x150.png)
DCEKit に新機能追加 [v2.5.2]！Variational Bayesian Gaussian Mixture Regression(VBGMR)とクロスバリデーションによるGMR最適化
DCEKit に今回追加したのは Variational Bayesian Gaussian Mixture Regression (VBG...
勘をなめたらアカン
ダジャレです。が、本心です。 材料研究・材料開発の現場では、実験条件や製造条件を振って、実際に実験・製造してみて、その結果としての材料...
![ガウス過程による潜在変数モデルでプロセスデータの可視化やプロセス状態推定をしました！[金子研論文]](https://datachemeng.com/wp-content/uploads/SnapCrab_NoName_2021-1-31_5-38-51_No-00-150x150.png)
ガウス過程による潜在変数モデルでプロセスデータの可視化やプロセス状態推定をしました！[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 Est...
「化学のための Pythonによるデータ解析・機械学習入門」 化学・化学工学のデータ解析・機械学習をしたい方へ
金子弘昌 著, 「化学のための Pythonによるデータ解析・機械学習入門」, オーム社, 2019 オーム社: Amazon...
単体・化合物と実験条件・製造条件の両方が変わるデータセットの解析の仕方
データセットを用いて説明変数 X と目的変数 Y との間でモデル Y = f(X) を構築するときの話です。材料のデータセットを扱うときは、...
オーバーフィッティング(過学習)の本質を理解して実用的な議論をする
回帰分析やクラス分類を行うとき、オーバーフィッティング(過学習)をしないことが重要といわれます。 オーバーフィ...
![モデルの直接的逆解析法で効率的な適応的実験計画法ができるようになりました！[金子研論文]](https://datachemeng.com/wp-content/uploads/SnapCrab_NoName_2021-1-3_6-49-21_No-00-150x150.png)
モデルの直接的逆解析法で効率的な適応的実験計画法ができるようになりました！[金子研論文]
金子研の論文が Chemometrics and Intelligent Laboratory Systems に掲載されましたので、ご紹介...
どうしてGMRやGTMRといったモデルの直接的逆解析法は良好な結果を生み出すのか？
回帰モデルを直接的に逆解析ができる、すなわち説明変数 X から目的変数 Y (Y が複数でもOK！) を直接的に推定できる手法である Gau...
![説明変数の重要度を考慮した新たな非線形サポートベクター回帰(SVR)を開発しました！[金子研論文]](https://datachemeng.com/wp-content/uploads/SnapCrab_NoName_2020-12-13_6-44-12_No-00-150x150.png)
説明変数の重要度を考慮した新たな非線形サポートベクター回帰(SVR)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 Support...