データセットを扱うときはサンプル一つ一つに気を配ることが重要です！
分子設計・材料設計・プロセス設計において、分子記述子・実験条件・合成条件・評価条件・プロセス条件などの特徴量 x と分子や材料の物性・活性・特性などの目的変数 y との間で、データセットを用いて数理モデル y = f(x) を構築します。構...
プロセス制御・プロセス管理・ソフトセンサー
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...
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...
リザバーコピューティングの本質とは
リザバーコピューティングについて調査していました。こちらの本を読んだり、 いくつか論文を読んだりです。 リザバーコンピューティングとは、例えばリカレントニューラルネットワーク (Recurrent Neural Network, RNN) ...
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...
Datachemical LAB にソフトセンサーと異常検知の機能が追加されました！[オンライン予測も可能]
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」の新機能についてです。プレスリリース↓ いろいろな所で紹介させていただいている通り、Datachemical LAB を使用することで、データ...
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...