398709_ja-JP

liliconcom

JSL を使用した組織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 (2021-US-30MP-874)

レベル: 中級

 

マイケル・ナザルコフスキー、リオデジャネイロ教皇庁カトリック大学化学科（DQ PUC Rio）
フェリペ・ロペス・デ・オリベイラ、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、結晶性有機ナノ多孔質材料の新興クラスであり、1 つ以上の構成要素の共有結合によるボトムアップ アプローチで設計されています。 構成要素の量が多く、多様性があるため、合成できる COF の種類は膨大です。 この意味で、新しい材料の合成をガイドできる機械学習技術の開発は非常に重要です。 この研究では、590 個の構造のセットを選択した後、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。 分類モデルを開発する試みも行われた。

本研究では、構造は、JSL (JMP Pro 15) でコード化された教師なし (階層クラスタリング、PCA) および教師あり (多重ロジスティック回帰、ナイーブ ベイズ、KNN、SVM) 手法によって分類されました。 COF は 2D と 3D に分離されました。 トレーニング/検証比率(80%/20%)の不均衡を避けるために、構造(2D 62.9%、3D 37.1%)ごとに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最大のクラスターが選択されました。 テクスチャ特性による 2D/3D 分類は、すべてのモデルで 100% の精度 (検証) で正常に完了しました。 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) などの他の指標が比較および議論されました。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
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、ちょっと待ってください。
	わかった。
マイケル・ナザルコフスキー	ああ、いえいえ、うまくいきました。
ジョシュ・スタントン	わかりました、ありがとう。
マイケル・ナザルコフスキー	あなたがいる間。
	私たちがフィリッピを待っている間、彼は自分が最初だと言うので、10分前に彼と話したばかりで、今録音しているのですね。
ジョシュ・スタントン	はい、録音が始まりますので、この部分を編集して削除します。
	ある程度検討して、フィリップが参加したらいくつかの質問があるので、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の電源を切って、あなたたちにそれを取り上げさせてください、しかしありがとうというのは、このようなことをしていただいたことに私たちは感謝しているからです。
マイケル・ナザルコフスキー	ああ、ありがとうございます。参加の可能性についてこのようなメッセージを受け取ったときは、本当に驚きました。
	このイベント、実際には3対5で、実際に私がそれを知ったきっかけは、昨年から10月にセッションを受けて、ああ、なんてことだ、とても良いトピックが解明されていることに感銘を受けたので、この機会を逃さないようにしようと決心しました年。
ジョシュ・スタントン	うん、すごいすごい。
	残念ながら、今年は対面での開催となることはご存知のとおりですが、まだ素晴らしいコンテンツがいくつかあります。
	私たちは、将来的には、常に楽しい発見イベントに皆さんを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	ああ、できればそうだね。
	去年の初めからパジャマを始めたばかりの頃からジャムを使い始めました。
	はい、とても簡単に言うと、とても早いです。
	はい、パンデミックが起こるか、それとも私が成功するかは、実際に結果の 1 つとして、またはその結果として多くの成功を収めていることが、このプレゼンテーションですぐにわかります。
	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、おそらく私は著者の共著者であり、おそらく並行して3つの記事を書いていると思います、私がJMPに関与していることはよくわかっています。
	来て。
ジョシュ・スタントン	美しいものすべて。
	あなたのための高速学習。
マイケル・ナザルコフスキー	もちろん、統計的思考に非常に役立つことはご存知でしょう。
	はい、はい。
	うん。
ジョシュ・スタントン	私たちは、過去に分析を行うためにオープンソースの一種を使用する前に使用していました。
マイケル・ナザルコフスキー	オープンソースってことですね。
ジョシュ・スタントン	オンか何か。
	それを他人のものに貶めること。
マイケル・ナザルコフスキー	ああ、違う、違う、違う、違う、違う、私は Python を学び始めましたが、どうですか。
	つまり、学習上のいくつかの困難に対処することを意味します。
	それで、私は化学者であり物理化学者で、実際に化学物質科学のためにこれらすべてを使用しています。今すぐわかるように、そこで進歩するために、プロ6ロードと並行してPythonから数学研究室に切り替えることにしました。
	Jeff の metalab 用の機械学習インターフェイスは科学者にとっては十分以上です。
ジョシュ・スタントン	はい、はい、いいえ、それを聞いてうれしいです、あなたがそれを受け入れて、それが素晴らしいことを知っていますか？
マイケル・ナザルコフスキー	そうですね、フィリップにメッセージを送らせてください。
	さて、おいおい、何が起こっているのか、何が起こっているのか、彼は1時間前のようにインターネットの問題でいくつかのトラブルに遭遇しました。
	わかった、わかった。
	彼は入ろうとしている。
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。
	したがって、リンクをクリックするときにパスワードを入力する必要はなく、そのまま正しく入力できました。
マイケル・ナザルコフスキー	そうですね、リンクを送信しただけですが、そこに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、ビジネスをする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テキストメッセージを送っています。
	おお。
	そうそう、問題は、Zoom が再び発生し、現在インターネットでトラブルが発生してい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	はい、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です、あなたはプレゼンテーションを開始するので、ジョシュが私たちを待っているように、ジョシュ、実際に間に合うように。
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	間違いなく、その時がその時です。
	初めまして、私の名前は です。
	ジョッシュ つまり、そうではありません。
	レコーダーを見てください。それでは、いくつか質問します。それがある程度終わったら、それをあなたに渡すつもりです。私のカメラの電源を切ってください。そうすれば、あなたたちはそれを取り上げても構いませんこの部分をすべて編集してみましょう。
	わかった。
	今すぐ録音する価値はありますが、その部分は後で編集します。
	それで、いくつかのこと。
	そう、そう思います。
	したがって、明らかに、私たちのコスキーとしてマイケルがリオデジャネイロの教皇庁カトリック大学から来ており、彼はロペス・デ・ラ・ビエハです。
	リオデジャネイロ連邦大学、そしてあなたたちはそこに行くつもりです。
	水のアプローチとカークランドの分類、または刑務所のセル 2021 ダッシュ US デスク 30 MP ダッシュ 874 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は正しいように聞こえますか。
フェリペ・ロペス	はい。
マイケル・ナザルコフスキー	はい、名前全体をフルネームで。
ジョシュ・スタントン	はい、フルネームで大丈夫です。
	これが JMP Discovery Summit Conference を使用するために記録されているということを理解していただければ、一般に公開され、JMP ユーザー コミュニティにこの記録と使用の許可を与えることができます。
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	わかりました、いいです。
ジョシュ・スタントン	マイケル、いいですね。
	ええ、もちろん。
	ええ、ここでの類推です。
	皆さんも持っているようですね。
	私やそれに類するものと同じように、携帯電話の電源がオフになっているような状態です。
マイケル・ナザルコフスキー	はい、破壊します。
	邪魔になる可能性のあるものはすべて、古い古いサウンドをオフにして、スカイウェイ、これらの要件を覚えておいてください、そしてジョージはセッション中に教えてください、つまりセッションの録音後に、関連するものをキャッチするか、全体のようになるでしょう。
ジョシュ・スタントン	はい、それで、そのまま進みます。何らかの理由で何かがあったとしても、途中で編集が行われることはないと思います。
	壊滅的なことが起こったので、もう一度最初からやり直すこともできますが、彼らはあなたをまっすぐに通過させてくれると思います、心配しないでください、ねえ、私たちはここにいる全員が人間ですから、そうです。
	あなたは間違いを犯しました、ただそれを転がり続けてみてください、誰もそれは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、あなたもそうする必要はありません、でも、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。
	それでいいですか、マイケル、それはいいですね。
マイケル・ナザルコフスキー	はい、すべて問題ありません、すべて問題ありません。
	そうそう。
ジョシュ・スタントン	最後に見たもの。
	わかった。
	はい、もうそれでいいです。
	はい、タスクバーだけです。
	今から行きます。
	他に質問はありますか、それとも発表する準備がほぼ整っています。
	は。
マイケル・ナザルコフスキー	そうです。
	そうかもね。
フェリペ・ロペス	画面を共有してください マイケル、画面を共有する方法は？
マイケル・ナザルコフスキー	兄弟ですか。
	でも、ジョッシュ、技術的には、お互いに画面を共有しても問題ありません。
ジョシュ・スタントン	はい、それは大丈夫だとわかっています、はい、ただ。
	スライドを進めることを明らかに知っており、スライドの後ろに進みすぎ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か。
マイケル・ナザルコフスキー	私たちは全員が同じプレゼンテーションを行うつもりです。私たちのパートはすべて揃っているので、お互いに後で行うだけで問題ありません。ありがとう。
ジョシュ・スタントン	わかりました。皆さんは以前にZoom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	ここでラッシュを設定するだけです。
	これを置きます。
	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	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、すべてが順調です。
フェリペ・ロペス	うん。
	それはまさにプレゼンテーションです。
	なぜなら、私は画面に向かっていて、時々間違った画面を見て吐いてしまうからです。
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	それは素晴らしいですね、電源を切ります。
	今私のカメラですが、皆さんに渡します、もう一度感謝します。
	できれば最後には話せると思います。
マイケル・ナザルコフスキー	ジョシュ、また会えてよかったね。
ジョシュ・スタントン	わかりました、気をつけてください。
フェリペ・ロペス	それでは、皆さん、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、マイケルと一緒にこの研究を発表しています。
	ナザルコフスキー氏は同じくリオデジャネイロの教皇庁カトリック大学出身。 そして今日は、JSL ソフトウェアを使用したテクスチャーおよび...テクスチャー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という研究を発表します。
	したがって、共有結合性有機骨格は、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種類の材料です。
	これらは有機、結晶性、ナノ多孔質で、網状材料中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っていることを意味します。
	この画像では、三角形と棒が周期的に接続された HCB 型格子の例を示しています。
	拡張された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。
	この自然の幾何学的特徴を備えています。 さまざまな種類があります
	構成要素として使用できる分子の幾何学的形状と、それらに接続するために使用されるいくつかの種類の化学結合です。
	このようにして、「???」のような極めて特殊な特性を持った構造を形成することが可能です。 ???の順番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されたものです。 したがって、ビルディング ブロックをレゴのピースとして考えることができ、さまざまなピースを使用して独自の特徴を持ついくつかの構造を構築できます。
	このスライドでは、二次元と三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、さまざまな可能なトポロジーを示します。
	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がある形式も同様です。 右側にCOFの結晶構造モデルの例を示します。
	とともに ？？？ネットワークは、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。 フォーマットが二次元の共有結合層からな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、地理の 3 次元に相当する形で積み重ねられます。
	COF は、その驚異的な変調能力により、不均一系触媒作用、エネルギー生産、貯蔵、
	有機半導体、化学センシング、断熱、ガスの捕捉と貯蔵など。 ただし、モジュール性が大規模になったため、...
	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。
	彼らは...通常、化学的直感と利用可能な分子の組み合わせを通じて開発されます。
	???の高い材料を使用して合成と特性評価のいくつかのステップを繰り返しました。が得られます。 この素材は開発されました...
	この材料の開発には非常に時間と費用がかかり、実行には数...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成果につながらないこともあります...
	望ましい特性を備えた材料は得られません。 そこで、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、シンプルで???を提案します。これらの材料を研究するための計算的アプローチにより、その開発を加速しようとしています。
	私たちは最初に構造のデータベースを使用しますが、現在は、合成され文献で提示されているいくつかの構造を編集したキュレーションされた COF として構造データベースを使用しています。
	次に、いくつかの構築ルーチンを使用して値を開発し、それらの構造を検証し、すべてが正常であることを確認します。 次に、DFT ベースの
	CP2Kと呼ばれる電子構造計算ソフトウェアを使用して、構造の原子位置における自己(?)パラメータを最適化します。 そこでZEO++というソフトを使います。
	これは、細孔の幾何学的分析と???の形成間のパーセンテージ一致を実行します。内部のネットワーク。
	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、非常に興味深い分析をいくつか行うために、私の同僚の Michael が JMP ソフトウェアで作成したスクリプトです。
	さて、ここで私たちが使用する主な構造を示します。 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、材料の細孔直径の情報を提供する LIS (Large Included Sphere を意味します) があります。
	LFS (大きな自由球) と LSFP (大きな球の自由パス) があり、これは基本的に含まれる大きな球と同じものですが、情報をエンコードできます。
	細孔直径の違いは、細孔内のいくつかの機能化の影響を及ぼします。 また、SSA と比面積である SSAV もあり、どちらも体積単位あたりの平方メートル、グラムあたり平方メートルで表されます。
	AVF はアクセス可能な体積分率であり、細孔によって形成される材料の量を表し、Vp は細孔容積です。
	次に、アクセス可能なチャネルの数を示す N(chan) があります。
	この図ではチャネルが 1 つだけある構造を示していますが、3 次元マテリアルにはアクセス可能なチャネルが複数ある場合があります。
	ChanDim があります。これは、この構造のように 1D、2D、3D にできるチャネルの次元です。 そして、チャネルのサイズ、これは基本的に細孔の直径である場合もありますが、???構造は少し異なる場合があります。
	そして今、マイケルがその結果について少し話します。
マイケル・ナザルコフスキー	はい、ありがとうございます。 フェリペさん、すばらしい紹介をありがとうございました。ここからは純粋なデータ分析とデータ サイエンスの話になります。 それでは、私の順番で画面を共有させてください。 さて、これが今私がやることです。
	完全。 いい物。
	さて、それでは第二部の冒頭から始めましょう。 フェリペが入手したこれらの...これらの...非常に膨大な量の構造物のデータを分析する時が来ました。
	ちょっとまってください。 わかりました、いいです。 最初の後、たとえば分析の前からデータを取得し、誤った構造や無関係な構造を除外する必要があります。
	欠損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損値は検出されませんでした。 その後も発見しました
	データ視覚化では、利用可能な構造の絶対大多数が構造に割り当てられ、さらに 85% が割り当てられ、15% がすべて 3D 構造に割り当てられます。 したがって、最初から、予測対象となる不均衡なデータセットが用意されています。 絶対多数派
	チャンネルは単次元に割り当てられます
	チャネルはさらに多くあります...80% 以上、ほぼ 17% が 3D 次元によるもので、2% 未満が 2 次元によるチャネルによるものです。
	さらに、これらすべてのチャネルは非常に等方性であるため、すべての方向 (X、Y、Z) で等しいことを意味し、これがデータの 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 2 次元構造と 3 次元構造間で分散すると、一次元と二次元が絶対的な多数を占めることがわかります。 その2D構造と3Dは90％以上を占めています。
	3D、つまり 3D、三次元チャネルのことです。 ほぼ 60% 以上が 3D 構造によって占められていますが、かなりの量です。
	3 つのうち 2D 構造も 85% などのはるかに高い値を持っているため、2D 構造でも使用されます。
	それを避けるために、そのようなアンバランスを避けるために
	状況により、私たちは監督なしでいくつかの作業を行っています
	機械学習の教師あり手法と組み合わせたアプローチ
	データ準備後。 それで、最初に何をしますか？これらの分析のうち、共線性を検出するための多変量分析
	そしてパラメータ間の相関関係。 したがって、最初の 3 つ (LIS、LFS、および LSFP) は相関性が高いため、1 つを他のものに置き換えることができることがわかります。 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 サイズの 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、主要な COF の 2D...2D 複合体の...複合構造のネイティブ構造に非常に関連しているため、それらすべてを保持する決定が下されました。
	そうですね、その量が多く、ほぼ 500 個の構造があるため、より重要で関連性の高い 13 個のクラスターを選択することにしました。これは、クラスターの全数から抽出された比率または部分によって最適化され、分析されます。彼ら
	平均のために
	パラメータがテーブルに反映されます。
	ご覧のとおり、13 という数字の後には、別の巨大な数字があります。
	クラスタリング…クラスタ距離が減少するため、13 が最適なクラスタ量であると想定されました。 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。これには 128 個のクラスターが含まれています。
	2D 構造のサンプルなので、後の分類に使用されます。
	翻って、3D 構造は、どう言えばいいでしょうか...あえて言えば、すでに同じであると言えます。 LIS、LFS、LSFP の間には依然として高い相関関係が観察されており、これが理由でもあります。
	クラスター抽出の条件は2Dと同様です。 ただし、クラスターの量が少ない場合は、7 つを取ることにしました。 ただし、少なくとも保持するために、これら 7 つのクラスターから 4 つを抽出しました。
	2D と 3D の比率が均等に近づきます。 そしてそれは平等ではなくなります、
	ただし、次のスライドでわかるように、85 対 15 よりもはるかに良くなり、不均衡も少なくなります。
	パラメーターの変動性に関する 2 つの表を比較すると、どちらの場合も最後の 4 つが各セット内の構造の変動性を高める原因となっていることがわかります。 ボリュームフラクチャー...フラクション...申し訳ありませんが、
	総細孔容積と両方のタイプの比表面積は同じレベルにあるため、構造間のばらつきが大きくなる原因となります。 先ほども言いましたが、収穫量は減りました...
	最終的には 2 つの構造間の差異が少なくなります。
	検証...最も大規模なクラスターから取得され、よく分散された構造から取得された構造に基づいて、2 つのセットが構築され、階層化されました。
	そして、最も単純な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。 最も関係のないものを取り除いた後、
	変数として、総細孔容積と体積分率の 2 つだけを残しました。
	それらはまた、次のように高度に相関しています。
	非常に大きな割合の相関関係が存在します。 ただし、ご覧のとおり、申し訳ありませんが、同じ LogWorth については 1 つほどかかるため、除外することはできないということになります。
	たとえば、体積分率...分数は、どのように機能するかをテストするために一度実行したため、その不足が顕著になり、
	検証における誤分類率は 20% でした。 そして、ここと比較すると、検証が行われ、完全に正しく、誤分類はなく、各グループへの正しい帰属が得られました。
	そしてトレーニングセット内の誤分類はかなり低いです。 残りのメトリクス...モデルのパフォーマンスの尺度については、最終的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なります。 また、それぞれの
	確率を予測するための方程式、構造が作成されて与えられると予測される、取得されて与えられる...このスライドに示されています。 それでは、さらに進みましょう。 だからこそ、次回は、
	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...両方の構造 (2D または 3D) を予測するパラメーターなので、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結果が得られました。
	メトリック...1K で最高のパフォーマンスと検証が行われるため、割り当てられたものを認識するだけで...構造を認識するには、1 つの近傍のみで十分です。 図からわかるように...
	つまり、総細孔容積と体積分率です。申し訳ありませんが、次のことがわかります。
	2D では、この構造がより集中的に存在します。 これは
	とても
	一箇所に集中しています。 ただし、3D とは対照的に、かなり広がります。 これが、距離を比較する理由です。 スライドの右側では、隣り合うもの間の最大距離が次のことに関連していることがわかります。
	検証やトレーニング セットなどの 3D 構造。 これが、これらのノンパラメトリック モデルも使用できる理由です。これら 2 つのパラメーターだけを使用して、アトリビューションに適用する単一のノンパラメトリック モデルを使用できます。
	また、二次判別分析では、検証では誤分類がゼロで、トレーニング セットでは誤分類が 5% 未満であり、8 つのサンプルを誤分類するだけです。 したがって、それはさらに簡単です...混同行列と平行プロット図でも見られます。
	そして、残りの部分も...
	残りのパラメータについては説明します...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...
	もっと面白くなるでしょう...最終的にはわかります。 したがって、Naive Bayes もパラメトリックではありますが、非常に単純なモデルであり、誤分類もゼロです。 つまり、状況はかなり競争的になってきています。
	ここでもわかるように、両方のパラメータはその効果によってほぼ等しいため、
	合計効果は、総細孔容積ではほぼ 0.88、体積分率ではほぼ 8...0.8 です。これが、分類タスクに対する寄与がほぼ等しい理由です。
	そして、予測のために単純なプロットも構築されました。
	サポートベクターマシンは実証されていませんが、これも素晴らしいパフォーマンスです。 ご覧のとおり、64 です...ごめんなさい 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、ほとんどの場合、誤分類の最大の割合は正確に 3D であり、誤分類された場合でした。
	さて、それではさらに先に進みましょう。 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を組み合わせた複雑なモデルである教師なし PCA に到達します。 この場合、すべてをすべて取得しました...
	相互に相関性の高いパラメータを含むすべての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。 ご覧のとおり、次の値を持つ 2 つの主なコンポーネント
	カイザールールにより複数のコンポーネントが存在するため、この時点で、ほぼ 1 つに近いコンポーネント、つまり 3 番目のコンポーネントがもう 1 つあり、それを予測モデルに含めないことを意味します。 最初の 2 つだけを取り上げます
	ここで、それらの固有値は複数でした。 そして興味深いのは、最初の成分、つまりケースのほぼ 66% を説明できる主成分では、これらが次のもので構成されていることがわかります。
	たとえば、LIS、LFS、LSFP、チャネル...チャネルパラメータ、つまりサイズ X、Y、Z、つまりこれらの方向を意味します。 つまり、これは、たとえば、次のようになります。チャンネル、???チャンネルセット。
	そして 2 番目、2 番目の成分はほとんど良好であり、比表面積と空隙率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、ここでもこのような認証の違いが観察されており、この説明の中で両方のパラメータの予測への寄与について結論を下すことができることがわかります。
	構造物。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...出版物、その後の論文の要約で与えられます。範囲内で提出する予定です。 .現在のサミットの範囲内で。
	ここでも、明らかに、誤分類率はゼロで、トレーニング中...トレーニング中、誤分類率は 1% 未満で、どれが...どれが...どれが...どれが...どれが...どれが観察されなかった...以前のモデル。 それで今、私たちは最も多くのことを目指しています。
	興味深い部分、私たちのことについての結論
	要約した
	モデル。ご覧のとおり、トレーニング セットを誤って分類することによって要約します。これは明らかに、そこで値を取得したためです。 ロジスティック回帰...回帰モデルがわかります。
	単純な PCA ベースと同様に、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やパラメータの反対としての精度をすべて持っているため、他のメトリクスを比較する必要があるということです。
	それで、他の指標からも、判別分析に非常に有利な高い値が得られたことがわかります。 しかし、さらに詳しく見てみると、
	これらの指標の間には、誤分類率や検証とトレーニングの間にさえ大きな違いがあることが誰でもわかるでしょう。 それで私たちは作ることができます
	ご存知のように、私たちは過学習または過小学習に関する問題に遭遇しました。 この場合、メトリクスの無効化の方が優れているため、主にアンダーフィッティングに対処します。
	トレーニング用に。 通常は逆に発生します。はい、ほとんどの場合、トレーニングがデータを過学習しており、検証でより悪いメトリクスが得られる場合、過学習に対処します。 ここは全く逆なので、
	これらのメトリクスは、エントロピー R 二乗、一般化 R 二乗、平均 log P、および誤分類率など、
	これら 4 つの指標の差異が分析されました。これが、最良の中から最良のものを選択している理由です。 前述したように、判別分析は最高の結果を示しました。
	ただし、パフォーマンスの品質は、他のものと比較して、トレーニングの検証メトリクスの間に最も大きな違いの 1 つがあります。 覚えておいてください
	検証では、すべてがゼロを示したので、ほぼ選択できることを意味します
	他のメトリクスの最適なバランスを保ちながら、それらのすべてを評価します...検証とトレーニングの間のメトリクスの違い。 ここで私たちが見ることができるのは、たとえば、最も低いものです...
	誤分類率とエントロピー R 二乗の間の最小の差は、PCA と組み合わせたロジスティック回帰に起因します。
	他の 2 つのメトリクス、たとえば一般化 R 2 乗と平均対数 P の差が観察される
	サポートベクターマシン用。 ただし、Naive Bayes の場合、このモデルを選択することはできません。
	パラメータには非常に大きな違いがあります。 これが理由です
	最高のパフォーマンスを得るには、最も正確に行うには、PCA に基づくロジスティック回帰が推奨され、オプションで 2D および 3D 構造を予測するための別のモデルとしてベクター マシンをサポートすることも推奨されます。 さらに詳しい内容など
	方法は論文に記載されており、2週間以内に提出する予定です
	JMP コミュニティの Web サイトに公開します。 このようなプレゼンテーションを行うことができて大変うれしく思います。 そこで私は、イスラエルのエルサレム・ヘブライ大学の同僚であるデイビッド・カーマイヤー氏に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、紳士諸君。

データの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