いつも Datachemical LAB をご利用いただきありがとうございます。
これまでご紹介させていただいた通り、Datachemical LAB を使用することで、データの前処理・データの可視化・回帰分析・モデルの逆解析・モデルの適用範囲・化学構造生成・(適応的)実験計画法・能動学習・ベイズ最適化・ソフトセンサー・異常検出・直接的逆解析などの、データ解析・機械学習が可能になります。
このたび、Datachemical LAB にクラス分類の機能が加わりました！プレスリリースはこちらです。
化学分野のAI・機械学習クラウドサービス「Datachemical LAB」に定性データの分類予測機能をリリース https://t.co/jAV99Ral0O @PRTIMES_JPより
— 金子弘昌＠「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―」 (@hirokaneko226) March 8, 2023
Datachemical LAB のメニューに、クラス分類の「モデル最適化」と「クラス分類-予測」があります。
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・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。
y がカテゴリーの情報のとき、クラス分類でモデルを構築します。
品質管理のとき、良品・不良品を予測する場合、良品のみ製造するための判断をする場合、製品の種類の分類を自動的に判断する場合、材料開発のときにゲル化するかしないか予測しない材料を合成したい場合、反応が行くかどうかを予測したい場合など、y の情報がカテゴリーになり、クラス分類をすることになります。
このとき、Datachemical LAB でクラス分類ができます。
クラス分類モデル y = f(x) を構築する手法として、回帰分析と同様に多くのクラス分類手法が存在しますが、データセットごとに適したクラス分類手法は異なります。データセットごとに正しい手法でクラス分類モデルを構築しないと、モデルの予測精度が悪化する危険があります。
そのため、Datachemical LAB でも多くのクラス分類手法が搭載されており、「モデル最適化」 において対象のデータセットに合うクラス分類手法を、モデルの予測精度を評価しながら最適化できます。
ここで最適化された手法を用いて、「クラス分類-予測」 で新しいデータ (y が不明なデータ) のクラスを予測します。予測結果としては、もちろん y のクラスになりますが、クラスが “1” や “0” (もしくは “-1”) で表現されているときは、クラスの情報に加えて、”1” になる確率も計算されます (1 からこの確率を引けば、”0” になる確率になります)。この確率が高いほど、”1” のクラスになりやすいといえます。なお回帰分析と同様に、この確率とは別に、モデルの適用範囲 (Applicability Domain, AD) を設定することも可能です。
予測対象のサンプルのクラスを予測したり、仮想サンプルを大量に生成して予測し、予測結果が目的のクラスになるサンプルを選択したり、ベイズ最適化で予測された有望なサンプルの中からさらにクラス分類の結果で絞り込みをしたりするといった、様々な活用ができます。
ぜひクラス分類を含めて、Datachemical LABを活用していただければと思います。
以上です。
質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。
