Generative Topographic Mapping(GTM)でデータの可視化・回帰分析・モデルの適用範囲・モデルの逆解析を一緒に実行する方法 [金子研論文]
今回は、Generative Topographic Mapping (GTM) でデータの可視化・回帰分析・モデルの適用範囲・モデルの逆解析を一緒に実行できる手法を開発し、QSPR 解析・QSAR 解析と分子設計を行った論文が、molec...
研究室
ランダムフォレスト(Random Forests, RF)や決定木(Decision Tree, DT)で構築したモデルを逆解析するときは気をつけよう！
回帰モデルやクラス分類モデルを構築したら、モデルの逆解析をすることがあります。逆解析では、説明変数 (記述子・特徴量・実験条件など) X の値から目的変数 (物性・活性など) y の値を推定するのではなく、逆に、y の値から X の値を推定...
化学工学会第50回秋季大会＠鹿児島大学 郡元キャンパス で学生の研究発表・学生コンテスト [受賞あり]
2018年9月18, 19, 20日に開催されました化学工学会第50回秋季大会＠鹿児島大学 郡元キャンパス に、データ化学工学研究室(金子研)のM1小島・B4山田と参加して参りました。 とても大規模な会議であり、27 会場で並行して(特別)...
本当に標準偏差(分散)が０の説明変数(記述子・特徴量)を削除してよいのか？
教師あり学習をするときの、データ解析のおおざっぱな流れとしては、 データセットをトレーニングデータとテストデータに分ける トレーニングデータを用いて X と y との間でモデル y = f(X) を構築する (おもに回帰分析もしくはクラス分...
[Pythonコードあり] スペクトル解析における波長領域や時系列データ解析におけるプロセス変数とその時間遅れを選択する方法
遺伝的アルゴリズム (Genetic Algorithm, GA) を使って回帰モデルの推定性能がよくなるように、説明変数 (記述子・特徴量・入力変数) を選択する手法を以前解説しました。 今回は、スペクトル解析における波長選択と、時系列デ...
回帰分析における半教師あり学習 (半教師付き学習) のメリットを確認しました！
以前に、半教師あり学習 (半教師付き学習) における４つのメリットについて書きましたが、 その中で回帰分析におけるメリットを議論して、それをQSAR解析・QSPR 解析で確認した論文が、掲載されましたのでご紹介致します。 金子研オンラインサ...
2018年度ゼミ合宿 写真
今年のゼミ合宿として、鬼怒川温泉に行ってきました。雨に降られることもありましたが、ゼミに遊びに飲みに、充実した一泊二日でした。 ゼミ中の写真を取るのを忘れました。 ゼミでの成果は近日中に金子研オンラインサロンで共有します。
[Pythonコードあり] 教師あり混合ガウスモデル(Supervised Gaussian Mixture Models)で回帰分析も逆解析も自由自在に♪～Gaussian Mixture Regression(GMR)～
混合ガウスモデル (Gaussian Mixture Models, GMM) を教師あり学習に対応させた Gaussian Mixture Regression (GMR) について、pdfとパワーポイントの資料を作成しました。GMM に...
適応型ソフトセンサーで産業プラントにおけるプロセス状態等の変化に対応する (Adaptive Soft Sensor)
化学プラント・産業プラントにおいて、測定することが難しいプロセス変数の値を、コンピュータでリアルタイムに推定するため、ソフトセンサーが活用されています。 “ソフトセンサー” とかっこいい名前がついていますが、結局はあるいくつかのプロセス変数...
研究者としての急がば回れ
研究者としては、 なるべく早く研究成果を得たい！ という思いの人がほとんどと思います。ただ、研究においても、場合によっては 急がば回れ のほうが将来的にメリットがある、こともあります。急がば回れ、なんて昔の人はよくいったものです。 研究にお...