Conférencier
|
Transcription
|
| Josh Staunton |
Michael. |
| Michel Nazarkovski |
Salut Josh juste un instant. |
| |
D'accord. |
| Michel Nazarkovski |
Ah ouais non non ça marche bien. |
| Josh Staunton |
Bon je te vois, merci. |
| Michel Nazarkovski |
Pendant que tu. |
| |
Pendant qu'on attend phillippi, il dit qu'il est le premier, alors je lui ai parlé il y a 10 minutes, donc tu enregistres en ce moment ouais. |
| Josh Staunton |
oui, il commence à enregistrer, nous allons simplement éditer cette partie. |
| |
Une fois que nous l'aurons en quelque sorte parcouru et que nous aurons quelques questions à poser une fois que Philippe nous rejoindra, je vous passerai ensuite la parole, éteignez ma caméra et mon fils et vous laisserez vous laisser emporter, mais merci car pour cela nous l'apprécions. |
| Michel Nazarkovski |
Oh, merci beaucoup, vraiment, ce fut une grande surprise pour moi quand ils ont reçu un tel message sur la possibilité de participer. |
| |
Dans cet événement ou vraiment c'est trois à cinq ou en fait comment je le savais, l'année dernière j'ai eu la session en octobre de l'année dernière, et j'ai été impressionné oh mon Dieu si de bons sujets sont élucidés alors j'ai décidé de ne pas perdre cette opportunité ce année. |
| Josh Staunton |
ouais super génial. |
| |
Eh bien, vous savez, malheureusement, vous savez que cette année sera en personne, mais vous savez, nous avons encore du bon contenu et. |
| |
Nous espérons qu'à l'avenir, nous pourrons vous emmener à l'un des événements de découverte en personne qui sont toujours amusants. |
| Michel Nazarkovski |
Oh ouais j'espère que. |
| |
J'ai commencé à utiliser de la confiture depuis le début de l'année dernière, et juste depuis le début du pyjama. |
| |
ouais ouais donc assez rapide très simplement, je dirais. |
| |
ouais et fais la pandémie ou je réussis beaucoup en fait comme ou grâce à un des résultats, tu vas voir tout de suite dans cette présentation. |
| |
Et j'ai même commencé à publier à ce sujet et en ce moment, je suppose, je suis co-auteur d'auteur et j'ai aussi peut-être trois articles en parallèle, bien au courant, j'implique JMP. |
| |
Allez. |
| Josh Staunton |
Tout ce qui est joli. |
| |
Apprentissage rapide qui est pour vous. |
| Michel Nazarkovski |
Juste vous savez que cela aide beaucoup bien sûr pour une réflexion statistique. |
| |
ouais juste ouais. |
| |
Ouais. |
| Josh Staunton |
nous utilisons avant d'utiliser juste une sorte d'open source pour faire vos analyses dans le passé ou. |
| Michel Nazarkovski |
Open Source tu veux dire. |
| Josh Staunton |
Sur ou quelque chose. |
| |
Pour le réduire à quelqu'un d'autre. |
| Michel Nazarkovski |
Ah, non, non, non, non, non, tu sais j'ai commencé à apprendre Python mais tu sais quoi. |
| |
Je veux dire contrer certaines difficultés d'apprentissage. |
| |
Donc je suis chimiste et physico-chimiste et j'utilise en fait tout ça pour la science des matériaux en chimie, comme vous le verrez maintenant ouais, alors j'ai décidé de passer de Python au laboratoire de mathématiques en parallèle à la route pro six pour y progresser parce que. |
| |
L'interface d'apprentissage automatique pour Metalab dans Jeff est plus que suffisante pour les scientifiques. |
| Josh Staunton |
Oui, ouais, non, c'est super à entendre. Je suis content que vous l'ayez adopté et que vous sachiez exceller avec ça, c'est génial. |
| Michel Nazarkovski |
Eh bien, laissez-moi, laissez-moi s'il vous plaît envoyer un texto à phillippi. |
| |
Ok, qu'est-ce qui se passe, il a rencontré des problèmes avec des problèmes Internet comme une heure auparavant. |
| |
OK OK. |
| |
il essaie d'entrer. |
| Josh Staunton |
il n'est pas encore là non. |
| |
étrange. |
| Josh Staunton |
en temps réel. |
| |
Donc, vous n'avez pas eu à mettre de mot de passe, nous avons cliqué sur le lien et vous avez juste répondu correctement. |
| Michel Nazarkovski |
Eh bien, je lui ai envoyé le lien juste en train de faire mais je ne me souviens pas si un mot de passe doit être là. |
| Josh Staunton |
Vous ne devriez pas avoir d'affaires ouais. |
| Michel Nazarkovski |
c'est le problème, alors il m'envoie quelque chose par SMS dans un instant. |
| |
Oh. |
| |
Oh ouais donc le truc n'est pas le zoom est à nouveau rencontré et les problèmes avec Internet en ce moment. |
| |
Oh. |
| Michel Nazarkovski |
nous avons une heure ouais. |
| Josh Staunton |
il rejoint en ce moment. |
| Michel Nazarkovski |
Oh super. |
| |
Oui. |
| Philippe Lopes |
Bonjour. |
| Michel Nazarkovski |
Coucou enfin tu es un héros, alors toi tu lances la présentation donc josh juste comme un chemin josh nous attend donc on est dans les temps en fait. |
| Philippe Lopes |
Oui, exactement n'importe quand ouais. |
| Josh Staunton |
Certainement, un moment, je veux dire le être. |
| |
Ravi de vous rencontrer, je m'appelle. |
| |
Josh, je veux dire que non. |
| |
Regardez l'enregistreur, donc je vais juste passer quelques questions, puis, une fois que nous aurons terminé, je vous passerai la parole, éteignez ma caméra et vous pourrez l'emporter nous allons éditer toute cette partie. |
| |
D'accord. |
| |
Même si cela vaut la peine d'être enregistré maintenant, nous éditerons cette partie plus tard. |
| |
Donc quelques choses. |
| |
Bon, donc je suppose. |
| |
Donc, évidemment, nous avons Michael comme notre kosky de l'Université pontificale catholique de Rio de Janeiro, et lui Lopez de la vieja. |
| |
l'Université fédérale de Rio de Janeiro, et vous allez y aller. |
| |
Approches de l'eau et classification de kirkland ou obtention de cadres par propriétés texturales à l'aide de la cellule de prison 2021 dash us desk 30 MP dash 874 est-ce que cela semble correct. |
| Philippe Lopes |
Oui. |
| Michel Nazarkovski |
D'accord, le nom complet le nom complet. |
| Josh Staunton |
Oui, le nom complet d'accord maintenant vous les gars. |
| |
Juste vous comprenez que ceci est enregistré pour l'utilisation de JMP Discovery Summit Conference, il sera disponible publiquement et la communauté d'utilisateurs JMP autorisez-vous cet enregistrement et cette utilisation. |
| Philippe Lopes |
Oui, je le sais, oui, merci. |
| Michel Nazarkovski |
D'accord, bien. |
| Josh Staunton |
Michel tu vas bien. |
| |
Ouais, bien sûr. |
| |
ouais genre d'analogie ici. |
| |
on dirait que vous les gars avez-vous. |
| |
Vos téléphones sont en quelque sorte éteints et comme moi ou quelque chose comme ça qui pourrait. |
| Michel Nazarkovski |
Détruire ouais. |
| |
Tout ce qui peut déranger, je vais simplement éteindre les sons les plus anciens et Skyway, rappelez-vous ces exigences et George, s'il vous plaît, dites-moi pendant la session, je veux dire après l'enregistrement de la session, vous attraperez les trucs pertinents ou ce sera comme le tout. |
| Josh Staunton |
Oui, donc ça ira tout de suite, je ne pense pas qu'ils vont faire de montage pendant ça si, pour une raison quelconque, il y avait quelque chose. |
| |
catastrophique qui s'est produit, nous pouvons recommencer depuis le début, mais je pense qu'ils vous laisseront simplement aller jusqu'au bout, ne vous inquiétez pas, vous savez, hé, nous sommes tous des humains ici. |
| |
Vous avez fait une erreur, essayez juste de continuer à rouler avec ça, personne n'est pas obligé d'être parfait, les bonnes statistiques ne sont pas parfaites, donc vous n'en avez pas besoin non plus, mais oui. |
| |
Poursuivre. |
| Philippe Lopes |
Non. |
| Josh Staunton |
Je suis désolé. |
| |
Est-ce que ça va Michael, ça sonne bien. |
| Michel Nazarkovski |
oui tout va bien tout va bien. |
| |
Donc voilà. |
| Josh Staunton |
dernière chose que nous venons de voir. |
| |
D'accord. |
| |
oui déjà bon pour ça. |
| |
D'accord, juste la barre des tâches. |
| |
Maintenant je vais. |
| |
Avez-vous d'autres questions ou êtes-vous à peu près prêts à présenter et. |
| |
Est. |
| Michel Nazarkovski |
Ça oui. |
| |
Ouais je suppose. |
| Philippe Lopes |
partagez mon écran Michael vous partagez votre écran comment. |
| Michel Nazarkovski |
Es-tu frère. |
| |
Mais d'accord josh, techniquement, ça va si on partage nos écrans les uns après les autres ouais. |
| Josh Staunton |
ouais tu sais que c'est bien ouais juste. |
| |
Assurez-vous simplement que vous savez clairement que vous transférez les diapositives et que vous ne vous éloignez pas trop derrière les diapositives et. |
| Michel Nazarkovski |
Oui mais. |
| Josh Staunton |
ouais absolument vous les gars savez quoi. |
| Michel Nazarkovski |
Nous ferons en sorte qu'ils aient la même présentation dans son ensemble si toutes nos parties sont ensemble, alors nous le faisons les uns après les autres, c'est très bien. Merci. |
| Josh Staunton |
Ok cool et vous savez comment partager des écrans en utilisant le zoom avant. |
| |
Oui. |
| Philippe Lopes |
Juste la mise en place de la précipitation ici. |
| |
mets ça. |
| |
Oui. |
| Josh Staunton |
Comme vos arrière-plans. |
| Philippe Lopes |
Je partage le bon écran en ce moment. |
| Michel Nazarkovski |
Super tout va bien. |
| Philippe Lopes |
Ouais. |
| |
c'est bien la présentation. |
| |
Parce que je me dirige vers l'écran et parfois le mauvais écran et je vomis donc. |
| Michel Nazarkovski |
Parfait tout est parfait. |
| Josh Staunton |
Ça a l'air super, je vais éteindre mon. |
| |
Mon appareil photo maintenant mais je vous le passe messieurs, merci encore et. |
| |
Je suppose que nous pouvons parler à la fin s'ils. |
| Michel Nazarkovski |
ça aurait été sympa de te revoir josh. |
| Josh Staunton |
D'accord, prends soin de toi. |
| Philippe Lopes |
Alors bonjour tout le monde. Je m'appelle Felipe Lopes de Oliveira. Je viens de l'Université fédérale de Rio de Janeiro et je présente ce travail avec Michael |
| |
Nazarkovsky, de l'Université catholique pontificale également à Rio de Janeiro. Et aujourd'hui, nous présentons le travail, Approches modernes de classification des cadres organiques covalents par texture et... par propriétés de texture à l'aide du logiciel JSL. |
| |
Ainsi, les cadres organiques covalents sont une nouvelle classe de matériaux composés uniquement d'éléments légers tels que le carbone, l'azote, l'oxygène, l'hydrogène et le bore. |
| |
Ils sont organiques, cristallins, nanoporeux, très stables dans les matériaux réticulaires. Cela signifie que les liaisons chimiques qui forment ces matériaux suivent un schéma géométrique bien défini dicté par la topologie du réseau. |
| |
Dans cette image, je montre un exemple de réseau de type HCB, qui est composé de triangles et de tiges connectées périodiquement, |
| |
formant un réseau étendu. Ces triangles et ces tiges représentent des molécules qui peuvent être... que vous appelez des blocs de construction qui sont liés de manière covalente et forment une structure étendue |
| |
avec les caractéristiques géométriques de cette nature. Il existe de nombreux types de |
| |
des géométries de molécules qui peuvent être utilisées comme blocs de construction et plusieurs types de liaisons chimiques que nous utilisons pour nous y connecter. |
| |
De cette façon, il est possible de former une structure avec des caractéristiques extrêmement spécifiques, telles que ??? que nous pouvons contrôler dans l'ordre de ??? dans les caractéristiques physiques et chimiques de l'intérieur du |
| |
??? qui peut... que nous avons défini par les blocs de construction. On peut donc considérer les blocs de construction comme des pièces de Lego, où différentes pièces peuvent être utilisées pour construire plusieurs structures aux caractéristiques uniques. |
| |
Dans cette diapositive, je montre différentes topologies possibles qui peuvent être utilisées pour construire des cadres organiques covalents bidimensionnels et tridimensionnels, |
| |
ainsi que le format que chaque bloc de construction doit avoir à utiliser pour construire ces réseaux. À droite, je montre un exemple de modèle de structure cristalline des COF |
| |
avec un ??? réseau, qui sera utilisé pour calculer les propriétés d'intérêt à l'avenir. Il est possible de voir que le format forme une structure composée d'une couche covalente bidimensionnelle |
| |
et ces couches sont empilées dans l'équivalent d'une géographie de la troisième dimension. |
| |
En raison de leurs incroyables capacités de modulation, les COF peuvent être utilisés pour plusieurs applications extrêmement intéressantes, telles que la catalyse hétérogène, la production d'énergie, le stockage, |
| |
les semi-conducteurs organiques, la détection chimique, l'isolation thermique et la capture et le stockage de gaz, entre autres. Cependant, en raison de la plus grande modularité qui... |
| |
cette plus grande modularité peut aussi être un problème, mais le développement de ces matériaux est vraiment complexe. |
| |
Ils utilisent... ils sont généralement développés grâce à une combinaison d'intuition chimique et de molécules disponibles. |
| |
Avec plusieurs étapes de synthèse et de caractérisation répétées avec des matériaux à fort ??? Est obtenu. Ce matériel est élaboré... |
| |
Le développement de ce matériau est très long, coûteux et nécessite plusieurs... 20 professionnels pour le réaliser. Et parfois, tous ces efforts ne mènent pas à... |
| |
ne conduisent pas à un matériau présentant les caractéristiques souhaitées. Alors pour essayer de résoudre ce problème, nous... |
| |
pour essayer de résoudre ce problème, nous proposons un simple et ??? approche computationnelle pour étudier ces matériaux et tenter ainsi d'accélérer leur développement. |
| |
Nous utilisons initialement une base de données de structures, maintenant sous forme de COF organisés, qui a compilé plusieurs structures synthétisées et présentées dans la littérature. |
| |
Ensuite, nous utilisons des routines de construction pour développer des valeurs afin de valider ces structures et de nous assurer que tout va bien. Ensuite, nous utilisons une méthode basée sur DFT |
| |
logiciel de calcul de structure électronique appelé CP2K pour optimiser les paramètres self(?) dans les positions atomiques des structures. Ensuite, nous utilisons un logiciel appelé ZEO++, |
| |
qui effectue une analyse géométrique des pores et un pourcentage de correspondance entre la formation de ??? réseaux à l'intérieur d'eux. |
| |
Et détermine ensuite un ensemble de descripteurs structurels pour les coûts sélectionnés. Il s'agit d'un script de mon collègue Michael dans le logiciel JMP pour effectuer plusieurs analyses extrêmement intéressantes. |
| |
Eh bien, je montre ici les principales structures que nous utilisons. Nous avons d'abord un ID de structure, qui est essentiellement, je pense, une classification du nom de la structure. |
| |
Et ensuite, nous avons le LIS, qui signifie grande sphère incluse, qui nous donne l'information sur le diamètre des pores du matériau. |
| |
Nous avons le LFS, grande sphère libre, et LSFP, grand chemin libre de sphère, avec... qui est fondamentalement la même chose que la grande sphère incluse, mais peut encoder les informations... |
| |
la différence de diamètre des pores influence plusieurs fonctionnalisations au sein des pores. Nous avons également le SSA et le SSAV, qui est la surface spécifique, tous deux en mètres carrés par gramme en mètres carrés par unité de volume. |
| |
AVF, qui est la fraction de volume accessible, qui est la quantité de matériau formée par les pores et Vp est le volume des pores. |
| |
Et puis, on a le N(chan), qui est le nombre de canaux accessibles. |
| |
Ici, dans la figure, je montre une structure avec un seul canal, mais les matériaux tridimensionnels peuvent avoir plusieurs canaux accessibles. |
| |
Nous avons ChanDim, qui est la dimensionnalité des canaux qui peuvent être 1D, comme dans cette structure, 2D et 3D. Et la taille du canal, qui est essentiellement parfois le diamètre des pores, mais pour ??? les structures peuvent être un peu différentes. |
| |
Et maintenant, Michael va parler un peu des résultats. |
| Michel Nazarkovski |
Oui, merci beaucoup. Merci beaucoup, Felipe, pour cette brillante introduction, alors maintenant ce sera de l'analyse de données pure et de la science des données. Alors laissez-moi s'il vous plaît partager mon écran à mon tour d'accord. Bon, c'est ce que je vais faire maintenant. |
| |
Parfait. Bon produit. |
| |
Bon, alors commençons depuis le début de la deuxième partie. Le moment est venu d'analyser les données de ces... de ces... une telle quantité, je dirais, de structures obtenues par Felipe. |
| |
Juste un moment. D'accord, bien. Après la première, disons, avant toute analyse, ils doivent récupérer les données et exclure certaines structures erronées ou non pertinentes |
| |
et écran pour détecter les valeurs manquantes. Aucune valeur manquante n'a été détectée lors de leur analyse et de leur sélection. Nous avons également découvert après la |
| |
visualisation des données que la majorité absolue des structures disponibles sont affectées à la structure plus 85% et 15% le tout dans une structure 3D. Donc, depuis le début, nous avons un ensemble de données déséquilibrées à prédire. majorité absolue des |
| |
les canaux sont affectés à des canaux monodimensionnels |
| |
canaux et il y en a juste plus... plus de 80 % et près de 17 % sont attribués à la 3D dimensionnelle et un peu moins de 2 % sont attribués aux canaux bidimensionnels. |
| |
De plus, tous ces canaux sont assez isotropes, cela signifie donc que dans toutes les directions (X, Y et Z), ils sont égaux, ce qui se reflète sur les données du diagramme 3D en trois dimensions. |
| |
Si on répartit toutes les données entre les structures, je veux dire les structures 2 et 3D, on pourrait voir le monodimensionnel, le bidimensionnel prendre la majorité absolue. Plus de 90% pour cette structure 2D et la 3D sont en train de prendre. |
| |
3D, je veux dire 3D, canaux tridimensionnels. Presque plus de 60% sont pris par des structures 3D, cependant, assez... une quantité assez élevée de |
| |
de trois est également pris par les structures 2D, car elles ont juste beaucoup plus... une valeur beaucoup plus élevée comme 85 %. |
| |
Pour éviter cela, pour éviter un tel déséquilibre |
| |
situation, nous entreprenons des |
| |
approches, ainsi que des méthodes supervisées de l'apprentissage automatique |
| |
après la préparation des données. Alors qu'est-ce qu'on fait dans le premier premier ??? de ces analyses, analyse multivariée pour détecter la colinéarité |
| |
et les corrélations entre les paramètres. Ainsi, comme nous pouvons le voir, les trois premiers (LIS, LFS et LSFP) sont fortement corrélés, de sorte que l'un peut être remplacé par d'autres. Cependant, une telle caractéristique sera très importante, alors que l'analyse de l'ACP |
| |
(analyse des composants principaux). C'est pourquoi, pour le clustering hiérarchique, nous n'en avons sélectionné qu'un seul paramètre. |
| |
Dans le cas également X, Y et Z pour une taille de canal, notre isotrope signifie la même chose. Cependant |
| |
une décision a été prise de les conserver tous, car cela est fortement lié à la structure native des structures 2D... du composé 2D... composé des principaux COF. |
| |
Eh bien, en raison de leur nombre élevé, près de 500 structures, nous avons décidé de sélectionner jusqu'à 13 clusters, qui peuvent être plus significatifs et pertinents, optimaux par ratio ou la partie prise à partir du... tout le nombre... le nombre entier de clusters et analyser eux |
| |
pour la moyenne |
| |
paramètres, qui sont reflétés dans le tableau. |
| |
Comme on peut le voir, après un numéro 13, il y a un autre énorme |
| |
réduction du regroupement... distances entre les regroupements, c'est pourquoi 13, on a supposé qu'il s'agissait de la quantité optimale de regroupements. Et parmi eux, nous avons sélectionné l'amas le plus massif, l'amas #7, qui a contenu... comprend 128 |
| |
échantillons de structure 2D, il sera donc utilisé pour la classification par la suite. |
| |
À leur tour, les structures 3D sont, comment puis-je... J'oserais dire qu'elles sont déjà les mêmes. Nous avons encore observé une forte corrélation entre LIS, LFS et LSFP, c'est pourquoi aussi |
| |
les conditions d'extraction des clusters étaient les mêmes que pour la 2D. Cependant, avec moins de grappes, comme nous avons décidé d'en prendre sept. Cependant, de ces sept clusters, nous en avons extrait quatre, histoire de garder au moins |
| |
le rapport entre 2D et 3D plus proche de l'égalité. Et ce ne sera pas égal, |
| |
cependant, comme vous le verrez sur la diapositive suivante, ce sera bien mieux, moins déséquilibré que 85 à 15. |
| |
En comparant deux tableaux sur la variation de la variabilité des paramètres, nous pouvons voir que les quatre derniers dans les deux cas sont responsables d'une plus grande variabilité des structures au sein de chaque ensemble. Fracture de volume... fraction... désolé, |
| |
volume poreux total et les deux types de surface spécifique, ils sont donc au même niveau et ils sont responsables d'une plus grande variabilité de par parmi les structures. Donc, comme je l'ai dit, nous avons moins... |
| |
moins de différence entre deux structures au final. |
| |
Validation... la validation entraînée a joué deux ensembles ont été construits et stratifiés sur la base des structures obtenues à partir de... tirées des amas les plus massifs et bien distribués. |
| |
Et commençons par la régression logistique, comme les analyses paramétriques... paramétriques les plus simples. Après avoir retiré les éléments les plus inutiles |
| |
variables, nous n'avons laissé que deux volume poreux total et fraction volumique. |
| |
Ils sont également fortement corrélés, comme |
| |
un très grand pourcentage de corrélations sont. Cependant, il en faudrait un sur, comme vous pouvez le voir, désolé, le même LogWorth, donc cela signifie que nous ne pouvons pas exclure, |
| |
par exemple, fraction volumique... fraction parce que je l'ai fait une fois pour tester son fonctionnement et son absence est devenue significative et |
| |
le taux d'erreur de classification lors de la validation a atteint 20 %. Et par rapport à ici, nous sommes arrivés à la validation, zéro erreur de classification pour une attribution complète à droite ... correcte à chaque groupe |
| |
et avec une mauvaise classification faible... assez faible dans l'ensemble d'apprentissage. Le reste des métriques... les mesures de la performance du modèle seront plus discutées à la fin, donc quand nous comparerons toutes les performances de tous les modèles. Aussi leurs respectifs |
| |
équations pour prédire la probabilité, prédit que la structure a été créée et donnée, a été obtenue et donnée... présentée sur cette diapositive. Alors allons plus loin. C'est pourquoi, dans la prochaine |
| |
modélisation, nous n'avons utilisé que ces deux paramètres ... paramètres pour prédire les deux structures (2D ou 3D), donc donner un coup de pied aux voisins les plus proches en tant que modèle non paramétrique leur a donné le meilleur |
| |
métriques... meilleures performances et validation à 1K, donc un seul voisin suffit juste pour reconnaître l'assigné... pour reconnaître la structure. Comme on peut le voir sur le schéma de... |
| |
Je veux dire, quel volume total de pores et fraction volumique, désolé, pour que nous puissions voir que |
| |
pour 2D, nous avons une quantité plus concentrée de cette structure. C'est |
| |
très |
| |
concentrée en un seul point. Cependant, contrairement à la 3D, elles sont assez répandues. C'est pourquoi il comparerait les distances. Ici, dans la partie droite de la diapositive, vous pouvez voir que les distances les plus élevées entre les voisins sont liées à |
| |
Structures 3D comme en validation, comme en training set. C'est pourquoi nous pouvons également utiliser ces modèles non paramétriques... un seul modèle non paramétrique à appliquer dans l'attribution en utilisant uniquement ces deux paramètres. |
| |
De plus, l'analyse quadratique discriminante ne donne aucune erreur de classification dans la validation et moins de 5 % d'erreur de classification dans l'ensemble d'apprentissage, en classant seulement huit échantillons. Donc c'est même facile... est vu comme sur la matrice de confusion et aussi sur le diagramme de tracé parallèle. |
| |
Et aussi le reste du... |
| |
le reste des paramètres sera décrit... sera discuté plus tard car ce modèle a quelques astuces... ce sera... |
| |
plus intéressant...sera...on verra à la fin. Donc, Naive Bayes est un autre modèle paramétrique mais très simple, qui n'a également donné aucune erreur de classification. La situation devient donc assez compétitive... compétitive. |
| |
Comme nous pouvons le voir ici, les deux paramètres sont presque égaux par leurs effets, donc |
| |
l'effet total est de presque 0,88 pour le volume total des pores et pour la fraction volumique est de près de huit...0,8, c'est pourquoi ils sont presque égaux en contribution pour leur tâche de classification. |
| |
Et de simples parcelles ont également été construites pour la prédiction. |
| |
La machine à vecteur de support n'a pas été démontrée, aussi des performances brillantes. Comme on peut le voir celui de 64...désolé 46 ??? des vecteurs ont été utilisés pour construire un tel modèle avec zéro erreur de classification à la fin. Et certaines |
| |
erreur de classification dans une formation (6%) et surtout, le plus grand pourcentage d'erreur de classification était pour exactement 3D, ils ont été mal classés. |
| |
Bon, allons plus loin. Et enfin, nous arrivons à un modèle complexe qui combine des approches non supervisées et supervisées, l'ACP non supervisée. Dans ce cas, nous avons pris tous tous tous... |
| |
paramètres continus quantitatifs, y compris tous, même ceux qui sont fortement corrélés entre eux, et nous avons construit |
| |
diagrammes et tracés pour PCA. Et comme nous pouvons le voir, deux composants principaux qui ont les valeurs par |
| |
plus d'un par la règle de Kaiser, cela signifie donc qu'à ce stade, nous en avons un autre presque proche d'un composant, le troisième composant, nous ne l'impliquerons pas dans le modèle de prédiction. Nous n'impliquerons que les deux premiers |
| |
où ces valeurs propres étaient plus d'un. Et ce qui est intéressant, ici on voit que dans la première composante, la composante principale qui peut décrire près de 66% des cas, ceux-ci comprennent, |
| |
disons, LIS, LFS, LSFP et canaux... paramètres de canaux, donc je veux dire taille X, Y et Z, ces directions. Donc c'est comme, disons, ??? canaux, ??? ensemble de canaux. |
| |
Et le second, le deuxième composant est généralement bon, pourrait être décrit par les deux types de surface spécifique et de porosité. Il s'agit d'un pur paramètre de texture. |
| |
Ainsi, comme nous pouvons le voir, même ici, nous observons une telle différence de certification et pouvons tirer des conclusions sur la contribution des deux paramètres dans la prédiction, dans cette description du. |
| |
structures. Donc après avoir construit une régression logistique, en utilisant uniquement ces deux composantes principales, leur formule sera donnée dans le... dans notre publication, sur notre résumé après dans l'article où, que nous allons soumettre à l'intérieur de la fourchette.. .dans le cadre du présent sommet. |
| |
Ici aussi, évidemment, nous avons obtenu un taux d'erreur de classification nul et très, très faible, moins de 1 % d'erreur de classification dans la formation... alors que la formation, qui n'est pas... qui est... n'était pas... qui n'a pas été observée pendant les modèles précédents. Alors maintenant, nous arrivons au maximum |
| |
partie intéressante, la conclusion sur notre |
| |
résumé |
| |
des modèles. Donc, comme nous pouvons le voir, nous résumons par erreur de classification l'ensemble d'entraînement, évidemment parce que nous y avons obtenu des valeurs. Nous pouvons voir la régression logistique... les modèles de régression |
| |
comme simple et basé sur l'ACP, ici en haut du graphique par erreur de classification et par analyse discriminante de validation. Cependant, |
| |
ce que nous pouvons dire ici, les choses que nous avons tous leurs tableaux de mauvaise classification ou leur précision en tant qu'opposé de paramètre, nous devrions comparer d'autres mesures. |
| |
Donc ce qu'on peut voir ça, d'accord bon, on a aussi par d'autres métriques, des valeurs plus élevées donc avantageuses d'analyse discriminante. Mais si nous y regardions de plus près, |
| |
nous verrons... tout le monde verra qu'il y a une énorme différence entre ces métriques, même entre le taux de mauvaise classification, entre la validation et la formation. Alors on peut faire |
| |
quelque chose, vous savez que nous avons rencontré des problèmes de sur-ajustement ou de sous-ajustement. Dans ce cas, nous traitons principalement du sous-ajustement puisque l'invalidation des métriques est meilleure que |
| |
pour s'entraîner. Se produira normalement à l'opposé, oui, la plupart ... la plupart des cas traitent du sur-ajustement lorsque la formation sur-adapte les données et que nous obtenons des métriques pires en validation. Ici, c'est complètement à l'opposé, c'est pourquoi |
| |
ces métriques, comme l'entropie R au carré et la généralisation R au carré et le log moyen P, ainsi que le taux d'erreur de classification, |
| |
ont été analysés... les différences ont été analysées pour ces quatre mesures, et c'est pourquoi nous sélectionnons les meilleurs des meilleurs. Comme mentionné précédemment, l'analyse discriminante a démontré le plus haut |
| |
qualité de la performance, cependant, il présente l'une des plus grandes différences entre les mesures de validation en formation, par rapport aux autres. Rappelez-vous que |
| |
lors de la validation, tous ont donné zéro, cela signifie donc que nous pouvons sélectionner presque |
| |
chacun d'eux, avec l'équilibre optimal des autres métriques... des différences pour les métriques entre la validation et la formation. Donc, ce que nous pouvons voir ici, par exemple, le plus bas... |
| |
la différence la plus faible entre le taux d'erreur de classification et l'entropie R au carré est attribuée à la régression logistique, combinée à l'ACP. |
| |
Deux autres mesures, comme généraliser la différence entre... la différence entre le R carré généralisé et le log moyen P est observée |
| |
pour la machine à vecteur de support. Pour Naive Bayes, nous ne pouvons cependant pas sélectionner ce modèle, car au moins dans deux |
| |
paramètres, il a une très grande différence. C'est pourquoi |
| |
nous pouvons supposer que pour les meilleures performances, pour les plus correctes, la régression logistique basée sur l'ACP est recommandée, et également facultativement recommandée, prend en charge la machine vectorielle comme un autre modèle pour prédire les structures 2D et 3D. Plus de détails et plus |
| |
méthodes seront données dans notre article, que nous allons soumettre dans deux semaines |
| |
et publier sur le site Web de JMP Community. Alors merci beaucoup, ce fut un grand plaisir de faire une telle présentation. J'ai donc hautement remercié mon collègue David Kirmayer de l'Université hébraïque de Jérusalem en Israël. Merci de votre attention. |
| Josh Staunton |
Très bien. |
| |
Merci messieurs. |
