モデルの予測精度を上げればゴール？～真の目的をふまえて解析しよう！～
分子設計や材料設計やプロセス設計において、分子記述子や合成条件や実験条件やプロセス条件などの説明変数 x と物性や活性などの目的変数 y との間でモデル y = f(x) を構築し、そのモデルを用いて新たな分子や材料の化学構造や合成方法やプ...
データ解析
すべてを機械学習でやらなくてもよいです！
分子設計・材料設計・プロセス設計において、実験条件・合成条件・プロセス条件などの説明変数 x と物性・活性などの目的変数 y との間でモデル y = f(x) を構築し、モデルに基づいて y が所望の値となる x の値を設計することが行われ...
0を含む変数を対数変換するときはどうすればよいのか？
説明変数 x と目的変数 y との間で回帰モデル y = f(x) を構築するとき、x と y の間の関係を的確に表現したり、モデルの予測精度を向上させたりするため、y を対数変換して用いることがあります。化学的・物理的な背景や x と y...
モデルの適用範囲(Applicability Domain, AD)の検討の仕方
データセットを用いて、目的変数 y と説明変数 x の間で回帰モデルやクラス分類モデルを構築した後に、モデルを適切に運用するため、モデルの適用範囲 (Applicability Domain, AD) を設定します。 AD を設定する方法は...
y-randomization(y-scrambling)の結果が悪いとき、どうすればいいのか？
回帰モデルやクラス分類を構築したいとき、扱うデータセットごとに適した手法は異なるため、今のデータセットに適した手法を選択するため、手法ごとの予測性能を評価します。トレーニングデータとテストデータに分けて、トレーニングデータで構築されたモデル...
手法や手段を目的化しないように気をつけましょう！～データ解析・機械学習が目的ではありません～
データ解析・機械学習によって分子設計・材料設計・プロセス設計などを効率化する試みがあります。例えば、目的変数 (物性・活性・製品品質など) y と説明変数 (実験条件・合成条件・プロセス条件など) x との間で、既存のデータセットに基づいて...
プロセス状態ごとに異なる重要なプロセス変数とその動特性を考慮した適応型ソフトセンサーEGAVDS-LWPLSを開発しました！[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、ご紹介します。タイトルは Adaptive soft sensor ensemble for select...
転移学習におけるモデルの適用範囲
転移学習にも色々とありまして、例えばディープニューラルネットワークを用いて、ソースドメインのデータセット (サポート用のデータセット) でネットワークを学習させておいて、中間層における最後の層のニューロンだけターゲットドメインのデータ (目...
クロスバリデーションとダブルクロスバリデーションの整理
言葉の似ているクロスバリデーションとダブルクロスバリデーションですが、意味合いが異なります。 目的の違いとして、クロスバリデーションの目的は PLS における主成分の数や SVR における C, ε, γ といったハイパーパラメータを最適化...
ガウス過程回帰におけるyの予測値の分散を検証する方法
金子研オンラインサロンにおいて、ガウス過程回帰において、予測値の分散が正しく評価されているのか、どのように検証したらよいか？、といった質問があり、回答しました。 ガウス過程回帰の予測値の分散は、モデルの適用範囲やベイズ最適化にも活用され、 ...