398709_ja-JP

liliconcom

JSL（2021-US-30MP-874）を使用したテクスチャ特性による共有結合性有機フレームワークの分類における最新のアプローチ

レベル：中級

 

Michael Nazarkovsky、リオデジャネイロポンティフィカルカトリック大学化学科（DQ PUCリオ）
Felipe Lopes de Oliveira、リオデジャネイロ連邦大学化学研究所（IQ UFRJ）

 

共有結合性有機フレームワーク（COF）は、1つまたは複数のビルディングブロックの共有結合によるボトムアップアプローチで設計された、新しいクラスの結晶性有機ナノポーラス材料です。 ビルディングブロックの量と多様性が非常に大きいため、合成できるさまざまなCOFが多数あります。 その意味で、新素材の合成を導くことができる機械学習技術の開発は非常に重要です。 この作業では、590の構造のセットが選択された後、DFTおよびグランドカノニカルモンテカルロ法を使用して、これらの構造によるCO2またはH2の吸着および捕捉のエンタルピーを決定しました。 また、分類モデルの開発も試みられました。

本研究では、構造は、JSL（JMP Pro 15）でコード化された教師なし（階層的クラスタリング、PCA）および教師付き（多項ロジット回帰、ナイーブベイズ、KNN、SVM）メソッドによって分類されました。 COFは2Dと3Dで分離されました。 最大のクラスターは、トレーニング/検証比率（80％/ 20％）の不均衡を回避するために、構造（62.9％2Dおよび37.1％3D）によってデータを階層化する教師あり機械学習を実行するために選択されました。 テクスチャプロパティによる2D / 3D分類は、すべてのモデルで100％の精度（検証）で正常に実行されました。 最適なモデルを選択するために、エントロピーR2、一般化R2、平均-log（p）などの他のメトリックが比較され、議論されました。

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
ジョシュ・スタントン	マイケル。
マイケル・ナザルコフスキー	こんにちはジョシュちょっと。
	わかった。
マイケル・ナザルコフスキー	そうそう、いや、それはうまく機能している。
ジョシュ・スタントン	よろしくお願いします。
マイケル・ナザルコフスキー	あなたがいる間。
	フィリッピを待っている間、彼は彼が最初だと言ったので、私はちょうど10分前に彼と話したので、あなたは今録音しています。
ジョシュ・スタントン	ええ、録音を開始します。この部分を編集します。
	フィリップが参加したら、私たちがそれを通り抜けて、いくつかの質問があります。それから私はあなたにそれを渡します私のカメラと私の息子をシャットオフし、あなたたちにそれを奪わせますが、ありがとうこれを行うために私たちはそれを感謝します。
マイケル・ナザルコフスキー	ああ、本当にありがとうございました。参加の可能性についてのメッセージを受け取ったときは、本当に驚きました。
	今回は3〜5回か、実際にどうやって知ったのか、去年から10月にセッションがあり、いい話題が出てきて感動したので、この機会を逃さないことにしました。年。
ジョシュ・スタントン	ええ、すごいすごい。
	残念ながら、今年は直接会う予定ですが、まだいくつかのすばらしいコンテンツがあります。
	将来的には、いつでも楽しい直接発見イベントの1つにご案内できることを願っています。
マイケル・ナザルコフスキー	そうそう、うまくいけば。
	去年の初めから、そしてパジャマの初めからジャムを使い始めました。
	ええええとても簡単にとても速いと思います。
	ええ、パンデミックを行うか、結果の1つとして、または結果の結果として、私は実際に多くの成功を収めています。このプレゼンテーションで今すぐ確認できます。
	そしてそれについて出版し始めました、そして実際に現時点では、私は著者の共著者であり、おそらく3つの記事を並行して持っています、よく知っています、私はJMPを含みます。
	来て。
ジョシュ・スタントン	きれいなものすべて。
	あなたのための速い学習。
マイケル・ナザルコフスキー	もちろん、統計的思考に大いに役立つことをご存知でしょう。
	ええちょうどええ。
	うん。
ジョシュ・スタントン	過去に分析を行うために、ある種のオープンソースを使用する前に使用しています。
マイケル・ナザルコフスキー	あなたが意味するオープンソース。
ジョシュ・スタントン	か何か。
	それを他の誰かのものに減らすこと。
マイケル・ナザルコフスキー	ああ、いや、いや、いや、いや、いや、あなたは私がPythonを学び始めたことを知っているが、あなたは何を知っている。
	私は学習のいくつかの困難に対抗することを意味します。
	ですから、私は化学者であり、物理化学者であり、実際にこれらすべてのものを化学材料科学に使用しています。これからわかるように、Pythonから数学ラボに並行してプロ6の道に切り替えて、そこで進歩を遂げることにしました。
	科学者にとって、ジェフのメタラブの機械学習インターフェースは十分すぎるほどです。
ジョシュ・スタントン	はい、ええ、それは素晴らしいことです。あなたがそれを受け入れてくれて、それが素晴らしいことを知っていることをうれしく思います。
マイケル・ナザルコフスキー	さて、私に、フィリッピにテキストを送ってください。
	さて、何が起こっているのか、彼は1時間前のようなインターネットの問題でいくつかの問題に遭遇しました。
	オーケーオーケー
	彼は入ろうとしています。
ジョシュ・スタントン	彼はまだ入っていません。
	変。
ジョシュ・スタントン	リアルタイムで。
	そのため、リンクをクリックしたパスワードを入力する必要はなく、正しく入力されました。
マイケル・ナザルコフスキー	さて、私は彼にリンクを送信しましたが、パスワードが必要かどうかは覚えていません。
ジョシュ・スタントン	ええ、あなたはビジネスを持つべきではありません。
マイケル・ナザルコフスキー	それが問題なので、彼は今すぐに私に何かをテキストメッセージで送っています。
	おお。
	そうそう、それはズームが再び発生し、現在インターネットに問題があるということではありません。
	おお。
マイケル・ナザルコフスキー	ええ、1時間あります。
ジョシュ・スタントン	彼は今参加しています。
マイケル・ナザルコフスキー	ああ、いいね。
	はい。
フェリペロペス	こんにちは。
マイケル・ナザルコフスキー	こんにちは、ついにあなたはヒーローになりました。あなたはプレゼンテーションを開始しているので、ジョシュが私たちを待っているのと同じようにジョシュしているので、実際に間に合います。
フェリペロペス	はい、いつでもそうです。
ジョシュ・スタントン	確かに、時間、私はあることを意味します。
	はじめまして、私の名前はです。
	ジョシュ私はしません。
	レコーダーを見て、いくつか質問をします。それが終わったら、カメラを止めて、持ち帰ることができます。この部分をすべて編集します。
	わかった。
	今は録音する価値がありますが、後でその部分を編集します。
	だからいくつかのこと。
	そうですね。
	ですから明らかに、リオデジャネイロのポンティフィカルカトリック大学のコスキーとしてマイケルがいて、彼はロペスデラビエハです。
	リオデジャネイロ連邦大学、そして皆さんは行きます。
	水のアプローチとカークランドの分類、または刑務所の独房を使用したテクスチャプロパティによるフレームワークの取得2021ダッシュ私たちの机30MPダッシュ874はそれを正しく聞こえます。
フェリペロペス	はい。
マイケル・ナザルコフスキー	さて、全体の名前はフルネームです。
ジョシュ・スタントン	はい、フルネームは大丈夫です。
	これがJMPディスカバリーサミット会議を使用するために記録されていることを理解しているだけで、公開され、JMPユーザーコミュニティはこの記録と使用を許可しますか。
フェリペロペス	はい、そうです、はい、ありがとうございます。
マイケル・ナザルコフスキー	いいでしょう
ジョシュ・スタントン	マイケル、いいね。
	ええ、もちろん。
	ええ、ここでは一種のアナロジーです。
	あなたたちが持っているように聞こえますか？
	あなたの電話は一種のオフになっていて、私と同じように、またはそのようなものが可能でした。
マイケル・ナザルコフスキー	ええ破壊します。
	邪魔になるものはすべて古い音をオフにし、スカイウェイはこれらの要件を覚えています。ジョージはセッション中に教えてください。セッションの記録後、関連するものをキャッチするか、全体のようになります。
ジョシュ・スタントン	はい、それでそれはまっすぐに進みます。何らかの理由で何かがあった場合、彼らがその間に編集を行うことはないと思います。
	起こった壊滅的な出来事は、最初からやり直すことができますが、私たち全員がここにいることを心配する必要はありません。
	あなたは間違いを犯しました。それを使って転がり続けようとするだけです。完璧である必要はありません。正しい統計は完璧ではないので、どちらもする必要はありませんが、そうです。
	どうぞ。
フェリペロペス	いいえ。
ジョシュ・スタントン	ごめんなさい。
	マイケルはそれでいいですね。
マイケル・ナザルコフスキー	ええ、すべてが大丈夫ですすべてが大丈夫です。
	そうそう。
ジョシュ・スタントン	私たちが最後に目にするもの。
	わかった。
	うん、それはもういい。
	了解しました。タスクバーだけです。
	今から行きます。
	他に質問がありますか、それとも発表する準備ができていますか。
	は。
マイケル・ナザルコフスキー	はい。
	そうかもね。
フェリペロペス	私の画面を共有するマイケルあなたはあなたの画面をどのように共有するか。
マイケル・ナザルコフスキー	あなたは兄弟ですか。
	しかし、技術的には、画面を次々に共有しても問題ありません。
ジョシュ・スタントン	ええ、あなたはそれがちょうどいいうんであることを知っています。
	スライドの転送を確実に理解していて、スライドの後ろに行き過ぎていないことを確認してください。
マイケル・ナザルコフスキー	うん、でも。
ジョシュ・スタントン	ええ、絶対にあなたたちは何を知っています。
マイケル・ナザルコフスキー	全体的に同じプレゼンテーションを行います。すべてのパーツが一緒になっているので、次々にそれを行います。ありがとうございます。
ジョシュ・スタントン	かっこいいです。以前はズームを使用して画面を共有する方法を知っています。
	はい。
フェリペロペス	ここで急いでセットアップするだけです。
	これを入れて。
	はい。
ジョシュ・スタントン	あなたの背景のように。
フェリペロペス	私は今、正しい画面を共有しています。
マイケル・ナザルコフスキー	素晴らしいすべてが大丈夫です。
フェリペロペス	うん。
	それは正しいプレゼンテーションです。
	私は画面に向かっていて、時々間違った画面に向かっているので、そう投げます。
マイケル・ナザルコフスキー	完璧すべてが完璧です。
ジョシュ・スタントン	オフにします。
	私のカメラは今ですが、紳士の皆さんにお渡しします。ありがとうございました。
	もしそうなら、最後に話すことができると思います。
マイケル・ナザルコフスキー	またジョシュにお会いできたら良かったです。
ジョシュ・スタントン	大丈夫、気をつけて。
フェリペロペス	みなさん、こんにちは。 私の名前はフェリペ・ロペス・デ・オリベイラです。 私はリオデジャネイロ連邦大学の出身で、この作品をマイケルと一緒に発表しています
	同じくリオデジャネイロにある教皇庁カトリック大学のナザルコフスキー。 そして本日、JSLソフトウェアを使用したテクスチャおよび...テクスチャプロパティによる共有結合性有機フレームワークの分類における最新のアプローチを紹介します。
	したがって、共有結合性有機フレームワークは、炭素、窒素、酸素、水素、ホウ素などの軽元素のみで構成される新しいクラスの材料です。
	それらは有機、結晶、ナノポーラスであり、網状材料で非常に安定しています。 これは、これらの材料を形成する化学結合が、ネットワークのトポロジーによって決定される明確に定義された幾何学的パターンに従うことを意味します。
	この画像では、三角形と棒が周期的に接続されたHCBタイプの格子の例を示しています。
	拡張ネットワークを形成します。 これらの三角形と棒は、共有結合して拡張構造を形成するビルディングブロックと呼ばれる分子を表しています。
	この性質の幾何学的特性を備えています。 さまざまな種類があります
	ビルディングブロックとして使用できる分子の形状と、それらに接続するために使用するいくつかのタイプの化学結合。
	このようにして、???などの非常に特殊な特性を持つ構造を形成することが可能です。 ???の順序で制御できること内部の物理的、化学的特性において
	???それは...ビルディングブロックによって定義したものです。 したがって、ビルディングブロックはレゴのピースと考えることができます。レゴのピースでは、さまざまなピースを使用して、独自の特性を持つ複数の構造を構築できます。
	このスライドでは、2次元と3次元の両方の共有結合性有機フレームワークを構築するために使用できるさまざまなトポロジを示します。
	また、これらのネットワークを構築するために各ビルディングブロックが使用する必要のある形式も含まれます。 右側に、COFの結晶構造モデルの例を示します。
	とともに ？？？ネットワーク。将来的に関心のあるプロパティを計算するために使用されます。 このフォーマットは、2次元の共有結合層で構成される構造を形成していることがわかります。
	これらのレイヤーは、3次元の地理に相当する場所に積み重ねられます。
	COFは、その驚異的な変調能力により、不均一系触媒作用、エネルギー生成、貯蔵など、いくつかの非常に興味深いアプリケーションに使用できます。
	有機半導体、化学センシング、断熱、ガスの回収と貯留など。 ただし、モジュール性が大きいため、...
	この大きなモジュール性も問題になる可能性がありますが、これらの材料の開発は非常に複雑です。
	それらは使用します...それらは通常、化学的直感と利用可能な分子の組み合わせによって開発されます。
	合成と特性評価のいくつかのステップで、高い材料で繰り返されました???が得られます。 この材料は開発されています...
	この材料の開発は非常に時間と費用がかかり、それを実行するには数人... 20人の専門家が必要です。 そして、時には、これらすべての努力が...につながるわけではありません。
	望ましい特性を持つ材料につながないでください。 したがって、この問題を解決するために、私たちは...
	この問題を解決するために、私たちはシンプルで???を提案します。これらの材料を研究し、したがってそれらの開発を加速しようとする計算アプローチ。
	最初は構造のデータベースを使用しますが、現在はキュレートされたCOFとして使用されています。このデータベースは、合成されて文献に示されているいくつかの構造をまとめたものです。
	次に、いくつかの構築ルーチンを使用して、それらの構造を検証し、すべてが正常であることを確認するための値を開発します。 次に、DFTベースを使用します
	構造の原子位置の自己（？）パラメータを最適化するためのCP2Kと呼ばれる電子構造計算ソフトウェア。 次に、ZEO ++というソフトウェアを使用します。
	これは、細孔の幾何学的分析と???の形成間の一致率を実行します。それらの中のネットワーク。
	次に、選択したコストの構造記述子のセットを決定します。 これは、私の同僚であるJMPソフトウェアのMichaelが、いくつかの非常に興味深い分析を行うためのスクリプトです。
	さて、ここでは私たちが使用する主な構造を示しています。 まず、構造IDがあります。これは、基本的に構造の名前の分類だと思います。
	次に、LISがあります。これは、含まれる大きな球の略で、材料の細孔径の情報を提供します。
	LFS（大きな自由行程）とLSFP（大きな球体の自由行程）があります。これは基本的に、含まれている大きな球体と同じですが、情報をエンコードできます。
	細孔径の違いは、細孔内のいくつかの機能化の影響を及ぼします。 また、SSAと特定の領域であるSSAVもあり、どちらも1グラムあたりの平方メートル（体積単位あたりの平方メートル）です。
	AVFは、アクセス可能な体積分率であり、材料のどれだけが細孔によって形成されるかであり、Vpは細孔体積です。
	そして、アクセス可能なチャネルの数であるN（chan）があります。
	この図では、チャネルが1つしかない構造を示していますが、3次元マテリアルには複数のアクセス可能なチャネルを含めることができます。
	ChanDimがあります。これは、この構造のように、2Dおよび3Dのように1Dにすることができるチャネルの次元です。 そして、チャネルサイズは、基本的には細孔径である場合がありますが、???構造は少し異なる場合があります。
	そして今、マイケルは結果の少しについて話します。
マイケル・ナザルコフスキー	ええ、どうもありがとう。 フェリペ、このような素晴らしい紹介をありがとうございました。これで、純粋なデータ分析とデータサイエンスになります。 ですから、私の順番で画面を共有してください。 さて、これは私が今やろうとしていることです。
	完全。 良いもの。
	では、第2部の最初から始めましょう。 それらのデータを分析する時が来ました...これらの...フェリペによって得られた非常に膨大な量の構造物です。
	ちょっとまってください。 いいでしょう 最初の後で、たとえば、分析の前から、データを取得して、いくつかの誤った構造またはいくつかの無関係な構造を除外する必要があるとします。
	不足している値を検出するための画面。 分析およびスクリーニング中に欠落値は検出されていません。 私達はまた後に発見しました
	利用可能な構造の絶対的な大部分が構造に割り当てられ、85％と15％がすべて3D構造になっているというデータの視覚化。 そのため、最初から、予測される不均衡なデータセットがあります。 の絶対過半数
	チャネルは一次元に割り当てられます
	チャネルがあります... 80％以上とほぼ17％は3D次元に起因し、2％未満は2次元によるチャネルに起因します。
	さらに、これらのチャネルはすべて非常に等方性であるため、すべての方向（X、Y、およびZ）で等しいことを意味し、データの3次元3D図に反映されます。
	すべてのデータを構造間、つまり2D構造と3D構造に分散すると、一次元、二次元が絶対的な過半数を占めることがわかります。 その2D構造と3Dの90％以上が使用されています。
	3D、私は3D、3次元チャネルを意味します。 ほぼ60％以上が3D構造によって使用されていますが、十分です...かなり大量の
	3つのうち2D構造も、85％のようにはるかに高い値を持っているためです。
	それを避けるために、そのような不均衡を避けるために
	状況、私たちはいくつかの教師なしを引き受けています
	機械学習の教師あり方法と一緒にアプローチ
	データ準備後。 だから私たちは最初の最初に何をしますか？これらの分析のうち、共直線性を検出するための多変量解析
	およびパラメータ間の相関。 したがって、最初の3つ（LIS、LFS、およびLSFP）は高度に相関しているため、1つを他の3つに置き換えることができます。 ただし、PCAの分析では、このような特性は非常に重要になります。
	（主成分分析）。 これが、階層的クラスタリングの場合、それらのパラメーターを1つだけ選択した理由です。
	チャネルサイズがX、Y、Zの場合も、等方性は同じことを意味します。 しかし
	これは、2Dコンパウンドの2Dのネイティブ構造...主要なCOFのコンパウンド構造に大きく関連しているため、それらすべてを保持することが決定されました。
	さて、それらの量が多く、ほぼ500の構造であるため、13のクラスターを選択することにしました。これは、比率または...すべての数...クラスターの総数から取得した部分によって、より重要で関連性のある最適なものになる可能性があります。彼ら
	平均のために
	テーブルに反映されているパラメータ。
	ご覧のとおり、13番の後に、別の巨大なものがあります
	クラスタリングの削減...クラスター距離、したがって13、それがクラスターの最適量であると想定された理由です。 そして、それらの中から、最も大規模なクラスターであるクラスター＃7を選択しました。
	2D構造のサンプルなので、後で分類に使用されます。
	順番に、3D構造は、どうすればよいですか...私はすでに同じであるとあえて言うでしょう。 LIS、LFS、LSFPの間にはまだ高い相関関係が見られます。そのため、これも理由です。
	クラスター抽出の条件は、2Dの場合と同じでした。 ただし、クラスターの数が少ない場合は、7つを取ることにしました。 ただし、これらの7つのクラスターから、少なくとも維持するために4つを抽出しました。
	平等に近い2Dと3Dの比率。 そしてそれは等しくないでしょう、
	ただし、次のスライドでわかるように、85から15よりもはるかに優れており、アンバランスが少なくなります。
	パラメータの変動性の変動に関する2つの表を比較すると、両方の場合の最後の4つが、各セット内の構造の変動性が高い原因であることがわかります。 ボリュームフラクチャ...フラクション...ごめんなさい、
	総細孔容積と両方のタイプの比表面積であるため、それらは同じレベルにあり、構造間の変動性が高くなります。 だから私が言ったように、私たちは少なくなりました...
	最終的に2つの構造間の違いが少なくなります。
	検証...トレーニングされた検証は、最も大規模なクラスターから取得され、十分に分散された...から取得された構造に基づいて、2つのセットが構築および階層化されました。
	そして、最も単純なパラメトリック...パラメトリック分析として、ロジスティック回帰から始めましょう。 最も無関係なものを取り出した後
	変数については、2つの総細孔容積と体積分率のみを残しました。
	それらはまた、次のように高度に相関しています
	相関関係の非常に大きな割合があります。 ただし、ご覧のとおり、同じLogWorthについては、1つかかるため、除外することはできません。
	たとえば、体積分率...それがどのように機能するかをテストするために一度行ったので、その欠如が重要になり、
	検証における誤分類率は20％になりました。 そして、ここと比較して、私たちは検証を行い、完全な権利のための誤分類はゼロです...各グループへの正しい帰属
	トレーニングセットの誤分類が少ない...かなり少ない。 残りのメトリック...モデルのパフォーマンスの測定については、最後に詳しく説明するので、すべてのモデルのすべてのパフォーマンスを比較するときに説明します。 また、それぞれの
	確率を予測する方程式、構造が作成されて与えられることを予測する方程式が得られて与えられました...このスライドに示されています。 それでは、さらに進んでみましょう。 これが、次の理由です
	モデリングでは、これら2つのパラメーターのみを使用しました...パラメーターは両方の構造（2Dまたは3D）を予測するため、ノンパラメトリックモデルとして最近傍をキックすることで最良のものが得られました
	メトリック... 1Kで最高のパフォーマンスと検証を行うため、割り当てられたものを認識するだけで、構造を認識するために1つのネイバーだけで十分です。 の図からわかるように...
	つまり、総細孔容積と体積分率、申し訳ありませんが、それを見ることができます
	2Dの場合、この構造がより集中しています。 これは
	とても
	一箇所に集中。 ただし、3Dとは対照的に、それらはかなり広がっています。 したがって、これが距離を比較する理由です。 スライドの右側では、隣接するもの間の最大距離がに関連していることがわかります。
	トレーニングセットのように、検証のように3D構造。 したがって、これらのノンパラメトリックモデルも使用できるのはこのためです...これら2つのパラメーターのみを使用して属性に適用する単一のノンパラメトリックモデル。
	また、2次判別分析では、検証での誤分類はゼロであり、トレーニングセットでの誤分類は5％未満であり、8つのサンプルを誤分類するだけです。 ですから、それはさらに簡単です...混同行列や平行プロット図のように見えます。
	そして残りの...
	残りのパラメータについて説明します...これらのモデルにはいくつかのトリックがあるため、後で説明します...それは...
	もっとおもしろい...なるだろう...私たちは最終的に見るだろう。 したがって、ナイーブベイズは別のパラメトリックですが非常に単純なモデルであり、誤分類もありません。 そのため、状況は非常に競争的になっています...競争力があります。
	ここでわかるように、両方のパラメーターはそれらの効果によってほぼ等しいので、
	総効果は、総細孔容積に対してほぼ0.88であり、体積分率についてはほぼ8 ... 0.8であるため、分類タスクへの寄与がほぼ等しいのはこのためです。
	また、予測のために単純なプロットも作成されました。
	サポートベクターマシンは実証されておらず、優れたパフォーマンスも発揮されます。 64のそれを見ることができるように...すみません46 ???ベクトルを使用して、最終的に誤分類がゼロのこのようなモデルを構築しました。 いくつかの
	トレーニングでの誤分類（6％）であり、ほとんどの場合、誤分類の最大の割合は正確に3Dであり、誤分類でした。
	では、さらに進んでみましょう。 そして最後に、教師なしアプローチと教師ありアプローチ、教師なしPCAを組み合わせた複雑なモデルに到達します。 この場合、私たちはそれらすべてを取りました...
	相互に高度に相関しているものも含めて、すべてを含む定量的連続パラメータを構築しました
	PCAの図とプロット。 そして、私たちが見ることができるように、
	カイザールールによって複数あるため、この時点で、もう1つはほぼ1つのコンポーネント、3番目のコンポーネントに近いため、予測モデルには含めません。 最初の2つだけを含みます
	ここで、それらの固有値は複数でした。 そして興味深いことに、ここでは、最初のコンポーネントで、ケースのほぼ66％を説明できる主成分であり、これらは次の要素で構成されていることがわかります。
	たとえば、LIS、LFS、LSFP、およびチャネル...チャネルパラメータです。つまり、サイズX、Y、およびZ、これらの方向を意味します。 だから、これは、例えば、???チャンネル、???チャネルセット。
	そして2番目の2番目の成分はほとんど良好であり、比表面積と多孔性の両方のタイプで説明できます。 これは純粋なテクスチャパラメータです。
	したがって、ここでもわかるように、このような認証の違いを観察しており、この説明で、予測への両方のパラメータの寄与について結論を出すことができます。
	構造。したがって、これら2つの主成分のみを使用してロジスティック回帰を構築した後、それらの式は...の出版物で、その後の論文の要約で、範囲内で提出する予定です。 。現在のサミットの範囲内。
	ここでも、明らかに、誤分類率はゼロであり、トレーニングでの誤分類は非常に低く、1％未満でした...トレーニング中、そうではありません...そうではありませんでした...以前のモデル。 だから今、私たちは最も
	興味深い部分、私たちについての結論
	まとめ
	モデル。ご覧のとおり、トレーニングセットを誤分類して要約します。これは、明らかにいくつかの値がそこにあるためです。 ロジスティック回帰を見ることができます...回帰モデル
	単純なPCAベースのように、ここでは誤分類と検証判別分析によるチャートの上部にあります。 しかし、
	ここで言えることは、すべての誤分類配列またはパラメーターの反対としての精度があることです。他のメトリックを比較する必要があります。
	ですから、他の指標でも、判別分析に非常に有利な値が高いことがわかります。 しかし、詳しく見てみると、
	わかります...誤分類率の間、検証とトレーニングの間でさえ、これらのメトリックの間には大きな違いがあることが誰もがわかります。 だから私たちは作ることができます
	いくつかのこと、あなたは私たちが過剰適合または過適合でいくつかの問題に遭遇したことを知っています。 この場合、メトリックの無効化はより優れているため、ほとんどの場合、アンダーフィッティングに対処します
	トレーニング用。 通常は反対に発生します、ええ、ほとんどの場合...ほとんどの場合、トレーニングがデータを過剰適合させているときに過剰適合を処理し、検証でより悪いメトリックを取得します。 ここは完全に反対なので、これが理由です
	エントロピーR二乗、一般化R二乗、平均対数Pなどのこれらの指標、および誤分類率、
	分析されました...これらの4つのメトリックについて差異が分析されたため、最良の中から最良のものを選択しています。 前に述べたように、判別分析は最高を示しました
	ただし、パフォーマンスの品質は、他のメトリックと比較して、トレーニングの検証のメトリック間に最も大きな違いの1つがあります。 それを覚えておいてください
	検証では、それらすべてがゼロを与えたので、それは私たちがほとんど選択できることを意味します
	それらすべて、他のメトリックの最適なバランス...検証とトレーニングの間のメトリックの違い。 だから私たちがここで見ることができるもの、例えば、最低...
	誤分類率とエントロピーRの二乗の差が最も小さいのは、PCAと組み合わせたロジスティック回帰に起因します。
	一般化された決定係数の差と平均対数Pの差を一般化するなど、他の2つのメトリックが観察されます
	サポートベクターマシンのために。 ただし、ナイーブベイズの場合、少なくとも2つであるため、このモデルを選択することはできません。
	パラメータ、それは非常に大きな違いがあります。 だからこれが理由です
	最高のパフォーマンスを得るには、PCAに基づく最も正確なロジスティック回帰が推奨され、オプションで推奨されるのは、2Dおよび3D構造を予測する別のモデルとしてサポートベクターマシンであると想定できます。 詳細など
	メソッドは、2週間以内に提出する予定の論文に記載されています。
	JMPコミュニティのウェブサイトで公開します。 本当にありがとうございました。このようなプレゼンテーションをすることができてとても嬉しかったです。 ですから、イスラエルのエルサレムのヘブライ大学の同僚であるデビッド・カーマイヤーも高く評価しました。 清聴ありがとうございました。
ジョシュ・スタントン	大丈夫。
	ありがとう、紳士。

データアクセスと操作データ探索データの視覚化JSLアプリケーション開発統計とモデリング