時系列データにおけるモデル適用範囲
目的変数 y と説明変数 x のデータを準備して、x と y の間で数理モデル y = f(x) を構築し、モデルに基づいて x の値から y の値を予測したり、y の値が目標値になるような x の値を設計したりします。モデルで予測するとき...
プロセス制御・プロセス管理・ソフトセンサー
同じ実験条件で繰り返し実験するのは、最後だけでよいのでは？～(適応的)実験計画法のススメ～
高機能性材料の研究・開発をするとき、材料の合成条件等の実験条件を変えながら実験し、結果を確認します。もちろん再現性も大事なので、同じ実験条件で繰り返し実験します。3 回や 5 回が多いと思います。いわゆる n = 3, n = 5 です。た...
既存のデータセットがある場合に実験計画法で今後の実験条件を求める方法
適応的実験計画法の話です。 分子設計や材料設計やプロセス設計において、まだデータセットがないとき、最初に実験やシミュレーションするための分子・合成条件・製造条件・プロセス条件といった説明変数 x の値を実験計画法により決めます。その条件で実...
サンプルごとに目的変数の値が複数あったり分布をもったりするときの解析方法
分子設計、材料設計、プロセス設計、プロセス管理・制御において、分子記述子・実験条件・製造条件・プロセス条件・プロセス変数などの説明変数 x と物性・活性・特性などの目的変数 y の間で、データセットを用いて数理モデル y = f(x) を構...
真の意味で解釈でき、予測精度も高い線形モデルを開発しました！[金子研論文]
タイトルを見て、線形モデルは回帰係数 (各特徴量の目的変数に対する重み) が与えられるのだから、線形モデルを解釈できるのは当たり前では？？、と考えた方、非常に危険です。以下、必見です。 金子研の論文が ACS Omega に掲載されましたの...
Python の環境の準備とspyderやjupyter notebookの起動まで(Windows編とmacOS編)
Python プログラミングを行うための環境を準備する方法はいろいろとあります。有名なのは Anacondaを利用する方法です。一方で、一部の方にとっては Anaconda は有料であり、少し壁があるかもしれません。もちろん Anacond...
特徴量の重要度はモデルの予測精度が低い場合でも信用してよいのか？
分子設計・材料設計・プロセス設計において、分子記述子や合成条件・製造条件やプロセス条件などの説明変数 x と材料の物性・活性・特性などの目的変数 y との間で数理モデル y = f(x) を構築して、そのモデルを用いて x の値から y の...
機械学習の教師なし学習だけでは、知識は得られません！
分子設計・材料設計・プロセス設計において、説明変数 (分子の特徴量・合成条件・製造条件・プロセス条件など) x と目的変数 (物性・活性・特性など) y の間で、データセットを用いて数理モデル y = f(x) を構築したり、構築されたモデ...
クラスタリングは何のためにやるのか？
教師なし学習の一つであるクラスタリングについてです。クラスタリングの手法自体は知っていても、クラスタリングって何のためにするの？？って方もいらっしゃるかと思い、ここではクラスタリングをするメリットについて整理します。クラスタリングのメリット...
乱数を上手く使うとモデルがオーバーフィッティングしているかどうか確認できます
説明変数 x と目的変数 y との間で数理モデル y = f(x) を構築するとき、構築されたモデルがオーバーフィッティングしているかどうか気になるときがあります。 もちろんトレーニングデータとテストデータに分割してテストデータで検証したり...