ガウス過程による潜在変数モデル(Gaussian Process Latent Variable Model, GPLVM)で非線形性を考慮した潜在変数を計算しよう！
ガウス過程による教師なし学習である Gaussian Process Latent Variable Model (GPLVM) について、pdfとパワーポイントの資料を作成しました。infinite Warped Mixture Mode...
研究室
次の律速は、想像力 ～よりよい文章作成やプレゼンテーションに向けて～
データ化学工学研究室 (金子研) では、以下の本を学生たちに一人一冊差し上げて、文章力やプレゼン力や英語力を高めてもらっています。 「分かりやすい説明」の技術 最強のプレゼンテーション15のルール 「分かりやすい文章」の技術―読み手を説得...
特徴量を抽象化して、モデルの逆解析により得られるサンプルの多様性を高める
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 Y = f(X) を構築して、Y がわからない X の値をモデルに入力することで、Y を予測することが行われています。予測精度の高いモデルを構築するためには適切に X を設計...
特徴量に関する基本的な考え方～複数の物質が混合されてできた物質～
ポリマー設計において、共重合体 (コポリマー) の特徴量を考えるとき、各モノマーを数値化した後に、それらのモノマーの組成比を重みとした重みつき平均 (加重算術平均もしくは単に加重平均) を計算することで数値化することがあります。また合金の特...
データの可視化をする理由
分子設計・材料設計・プロセス設計・ソフトセンサーなどにおいて、データ解析をするとき、目的としては Y の値を予測することや Y の値が目標を達成する X の値を設計することです。そのため主な解析手法は回帰分析手法やクラス分類手法になります。...
モデルの使い方～モデルの逆解析と目的変数の評価～
今回はデータ解析によって構築した回帰モデルやクラス分類モデルの使い方についてお話しします。使い道は大きく二つに分けられます。一つはモデルの逆解析、もう一つは目的変数 Y の評価です。モデルの逆解析モデルの逆解析では、Y の値が望ましい値にな...
異常検出を気軽に試したい方へ、プログラミング不要で実行できるアプリ「DCE fault detection」を作りました。ご自由にお使いください。ちなみにモデルの適用範囲(AD)の設定にも使えます
異常検出を試してみたい、プラントのデータを使って異常なのか正常なのか推定してみたら、どれくらいの異常を推定できるのか確認してみたい、という方はいらっしゃると思います。試してみて良い結果が出ると、さらに異常検出について勉強するモチベーションも...
ガウシアンカーネルを用いた SVR ではモデルの適用範囲を考慮しなくてよいの？！
目的変数 Y と説明変数 X との間で回帰モデル Y = f(X) を構築するとき、基本的にモデルの適用範囲 (Applicability Domain, AD) を設定する必要があります。AD の詳細はこちらをご覧ください。回帰分析手法で...
データ解析・機械学習のプログラミングでエラーが出たら、まずはデータセットの中身を確認しましょう
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、データセットを用いて解析したり、機械学習したりします。データセットの可視化をしたり、クラスタリングをしたり、クラス分類をしたり、回帰分析をしたり、予測をしたり、予測結果に基づいて...
データ解析前における、説明変数(特徴量・記述子)の決め方・選び方の方針
目的変数 Y と説明変数 (特徴量・記述子) X との間に、クラス分類や回帰分析によってモデル Y = f(X) を構築します。モデルを構築するためにはデータセットが必要ですので、Y, X を決めてからサンプルを集めなければなりません。モデ...