398709_de-DE

liliconcom

Moderne Ansätze zur Klassifizierung kovalenter organischer Gerüste anhand von Textureigenschaften mithilfe von JSL (2021-US-30MP-874)

Niveau: Mittelstufe

 

Michael Nazarkovsky, Fachbereich Chemie, Päpstliche Katholische Universität Rio de Janeiro (DQ PUC Rio)
Felipe Lopes de Oliveira, Institut für Chemie, Bundesuniversität Rio de Janeiro (IQ UFRJ)

 

Kovalente organische Gerüste (COFs) sind eine neue Klasse kristalliner organischer nanoporöser Materialien, die in einem Bottom-up-Ansatz durch die kovalente Bindung eines oder mehrerer Bausteine entwickelt werden. Aufgrund der beträchtlichen Menge und Vielfalt der Bausteine gibt es eine enorme Anzahl unterschiedlicher COFs, die synthetisiert werden können. In diesem Sinne ist die Entwicklung maschineller Lerntechniken, die die Synthese neuer Materialien steuern können, äußerst wichtig. In dieser Arbeit wurden nach der Auswahl von 590 Strukturen DFT- und großkanonische Monte-Carlo-Methoden verwendet, um die Adsorptions- und Einfangenthalpie von CO2 oder H2 durch diese Strukturen zu bestimmen. Es wurden auch Versuche unternommen, Klassifizierungsmodelle zu entwickeln.

In der vorliegenden Studie wurden die Strukturen mithilfe unüberwachter (Hierarchical Clustering, PCA) und überwachter (Multiple Logistic Regression, Naive Bayes, KNN, SVM) in JSL (JMP Pro 15) codierter Methoden klassifiziert. Die COFs wurden in 2D und 3D getrennt. Die größten Cluster wurden ausgewählt, um überwachtes maschinelles Lernen durchzuführen und die Daten nach der Struktur zu stratifizieren (62,9 % 2D und 37,1 % 3D), um ein Missverhältnis im Training/Validierungsverhältnis (80 %/20 %) zu vermeiden. Die 2D/3D-Klassifizierung nach Textureigenschaften wurde mit einer Genauigkeit von 100 % (Validierung) für alle Modelle erfolgreich durchgeführt. Andere Metriken wie Entropie R2, verallgemeinertes R2 und Mittelwert -log(p) wurden verglichen und diskutiert, um das optimale Modell auszuwählen.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Josh Staunton	Michael.
Michael Nasarkowski	Hallo Josh, einen Moment.
	Okay.
Michael Nasarkowski	Oh ja, nein, nein, es funktioniert gut.
Josh Staunton	Schön, dass ich dich sehen kann, danke.
Michael Nasarkowski	Während du.
	Während wir auf Phillippi warten, sagt er, er sei der Erste, also habe ich erst vor 10 Minuten mit ihm gesprochen, also nimmst du gerade auf, ja.
Josh Staunton	Ja, die Aufnahme beginnt. Wir schneiden diesen Teil einfach heraus.
	Sobald wir es durchgegangen sind und ein paar Fragen haben, die wir beantworten müssen, sobald Philippe dazukommt, werde ich es an Sie weitergeben. Schalten Sie meine Kamera und meinen Sohn aus und lassen Sie es sich von Ihnen nehmen, aber danke denn dafür wissen wir es zu schätzen.
Michael Nasarkowski	Oh, vielen Dank, wirklich, es war eine große Überraschung für mich, als sie die Nachricht über die Möglichkeit einer Teilnahme erhielten.
	In diesem Fall oder eigentlich ist es drei vor fünf oder woher wusste ich das? Letztes Jahr hatte ich die Sitzung vom letzten Jahr im Oktober und es war beeindruckt, oh mein Gott, so gute Themen werden erläutert, also habe ich beschlossen, diese Gelegenheit nicht zu verpassen Jahr.
Josh Staunton	Ja, großartig, großartig.
	Nun, Sie wissen leider, dass Sie dieses Jahr persönlich stattfinden werden, aber Sie wissen, wir haben immer noch einige großartige Inhalte und.
	Wir hoffen, dass wir Sie in Zukunft zu einer der persönlichen Entdeckungsveranstaltungen einladen können, die immer Spaß machen.
Michael Nasarkowski	Oh ja, hoffentlich so.
	Ich habe seit Anfang letzten Jahres angefangen, Marmelade zu verwenden, und zwar erst seit Beginn der Pyjamas.
	Ja, ja, so ziemlich schnell, ganz einfach, würde ich sagen.
	Ja, und ob die Pandemie oder ich erfolgreich sein werde, wird tatsächlich viel gelingen, weil oder aufgrund eines der Ergebnisse, das Sie jetzt in dieser Präsentation sehen werden.
	Und ich habe sogar damit begonnen, darüber zu publizieren, und im Moment bin ich, glaube ich, Co-Autor oder Autor und habe vielleicht auch drei Artikel parallel geschrieben, ich bin mir wohl bewusst, dass ich JMP mit einbeziehe.
	Aufleuchten.
Josh Staunton	Alles, was hübsch ist.
	Schnelles Lernen, das genau das Richtige für Sie ist.
Michael Nasarkowski	Sie wissen nur, dass es für das statistische Denken natürlich sehr hilfreich ist.
	ja, einfach ja.
	Ja.
Josh Staunton	Wir verwenden vor der Verwendung einfach eine Art Open Source, um Ihre Analysen in der Vergangenheit durchzuführen oder.
Michael Nasarkowski	Open Source meinst du.
Josh Staunton	Auf oder so.
	Um es auf das eines anderen zu reduzieren.
Michael Nasarkowski	Ah, nein, nein, nein, nein, nein, du weißt, ich habe angefangen, Python zu lernen, aber weißt du was?
	Ich meine, einigen Lernschwierigkeiten entgegenzuwirken.
	Ich bin also Chemiker und physikalischer Chemiker und verwende all dieses Zeug tatsächlich für die Chemie-Materialwissenschaft, wie Sie gleich sehen werden. Ja, also habe ich beschlossen, parallel zum Pro-Sechs-Weg von Python zum Mathe-Labor zu wechseln, um dort Fortschritte zu machen.
	Die Schnittstelle für maschinelles Lernen für Metalab in Jeff ist für Wissenschaftler mehr als ausreichend.
Josh Staunton	Ja, ja, nein, das ist großartig zu hören. Ich freue mich, dass Sie es angenommen haben und wissen, dass Sie damit hervorragende Leistungen erbringen, das ist großartig.
Michael Nasarkowski	Nun, lass mich, lass mich bitte eine SMS an Phillippi schreiben.
	Okay, whoa, was ist los, was ist los, er hatte einige Probleme mit Internetproblemen wie vor einer Stunde.
	Okay okay.
	er versucht einzutreten.
Josh Staunton	Er ist noch nicht da, nein.
	seltsam.
Josh Staunton	in Echtzeit.
	Sie mussten also kein Passwort eingeben, wir klickten auf den Link und landeten direkt auf der richtigen Seite.
Michael Nasarkowski	Nun, ich habe ihm gerade den Link geschickt, weiß aber nicht, ob dort ein Passwort vorhanden sein muss.
Josh Staunton	Du solltest ja kein Geschäft haben.
Michael Nasarkowski	Das ist die Sache, also schreibt er mir gleich etwas per SMS.
	Oh.
	Ach ja, es liegt also nicht daran, dass der Zoom wieder auftritt und es derzeit Probleme mit dem Internet gibt.
	Oh.
Michael Nasarkowski	Wir haben eine Stunde, ja.
Josh Staunton	er tritt gerade bei.
Michael Nasarkowski	Oh gut.
	Ja.
Felipe Lopes	Hallo.
Michael Nasarkowski	Hallo, endlich bist du ein Held, also startest du die Präsentation so, Josh, genau wie Josh uns erwartet, also sind wir tatsächlich pünktlich.
Felipe Lopes	Ja, genau jederzeit, ja.
Josh Staunton	Auf jeden Fall eine Zeit, ich meine die des Seins.
	Schön dich kennenzulernen, mein Name ist.
	Josh, ich meine, ich nicht.
	Sehen Sie sich den Rekorder an, also werde ich einfach ein paar Fragen durchgehen und dann, wenn wir damit einigermaßen klar sind, werde ich es an Sie weitergeben, schalten Sie meine Kamera aus und Sie können sie mir wegnehmen Wir werden diesen Teil herausschneiden.
	Okay.
	Auch wenn es sich lohnt, es jetzt aufzunehmen, aber wir werden diesen Teil später herausschneiden.
	Also ein paar Dinge.
	Richtig, also denke ich.
	Offensichtlich haben wir Michael als Kosky von der Päpstlichen Katholischen Universität von Rio de Janeiro und ihn als Lopez de la vieja.
	Bundesuniversität von Rio de Janeiro, und ihr werdet hingehen.
	Wasseransätze und Klassifizierung von Kirkland oder das Erhalten von Frameworks nach Textureigenschaften mithilfe von Jail Cell 2021 Dash US Desk 30 MP Dash 874 klingt das richtig?
Felipe Lopes	Ja.
Michael Nasarkowski	Okay, der ganze Name ist der vollständige Name.
Josh Staunton	Ja, der vollständige Name ist jetzt in Ordnung, Leute.
	Bitte beachten Sie, dass dies für die Nutzung der JMP Discovery Summit Conference aufgezeichnet wird. Es wird öffentlich zugänglich sein und der JMP-Benutzergemeinschaft erteilen Sie die Erlaubnis für diese Aufzeichnung und Verwendung.
Felipe Lopes	Ja, das tue ich, ja, danke.
Michael Nasarkowski	Okay gut.
Josh Staunton	Michael, du bist gut.
	ja natürlich.
	Ja, eine Art Analogie hier.
	Hört sich so an, als ob ihr es getan hättet.
	Eure Telefone sind irgendwie ausgeschaltet und so wie ich oder so etwas in der Art.
Michael Nasarkowski	Zerstöre ja.
	Alles, was stören kann, schalte ich einfach die älteren, ältesten Töne aus und Skyway merkt sich diese Anforderungen und George, sag es mir bitte während der Sitzung. Ich meine, nach der Aufzeichnung der Sitzung wirst du die relevanten Dinge verstehen, sonst wird es wie das Ganze sein.
Josh Staunton	Ja, es wird also direkt durchgehen. Ich glaube nicht, dass sie währenddessen irgendwelche Bearbeitungen vornehmen werden, wenn aus irgendeinem Grund etwas passiert ist.
	Das ist katastrophal passiert, wir können noch einmal von vorne beginnen, aber ich denke, sie werden dich einfach durchgehen lassen. Mach dir keine Sorgen, du weißt schon, wir sind hier alle Menschen, richtig.
	Du hast einen Fehler gemacht, versuche einfach weiterzumachen, niemand, es muss nicht perfekt sein, die richtigen Statistiken sind nicht perfekt, also musst du es auch nicht, aber ja.
	Fortfahren.
Felipe Lopes	NEIN.
Josh Staunton	Es tut mir Leid.
	Ist das in Ordnung, Michael, hört sich das gut an?
Michael Nasarkowski	Ja, alles ist in Ordnung, alles ist in Ordnung.
	Also ja.
Josh Staunton	Das Letzte, was wir gerade sehen.
	Okay.
	Ja, das ist schon gut.
	Alles klar, nur Taskleiste.
	Jetzt werde ich es tun.
	Habt ihr noch weitere Fragen oder seid ihr so gut wie bereit, sie zu präsentieren?
	Ist.
Michael Nasarkowski	Es ja.
	ja ich glaube.
Felipe Lopes	Teile meinen Bildschirm Michael, du teilst deinen Bildschirm wie.
Michael Nasarkowski	Bist du Bruder?
	Aber okay, Josh, technisch gesehen ist es in Ordnung, wenn wir unsere Bildschirme nacheinander teilen, ja.
Josh Staunton	Ja, du weißt, dass das in Ordnung ist, ja, einfach.
	Stellen Sie einfach sicher, dass Sie offensichtlich wissen, wie Sie die Folien weiterleiten und nicht zu weit hinter die Folien geraten.
Michael Nasarkowski	ja, aber.
Josh Staunton	Ja, absolut, ihr wisst was.
Michael Nasarkowski	Wir werden dafür sorgen, dass sie die gleiche Präsentation haben, alle unsere Teile sind zusammen, also machen wir es einfach nacheinander, das ist in Ordnung. Danke.
Josh Staunton	Okay, cool und ihr wisst schon, wie man Bildschirme mit Zoom teilt.
	Ja.
Felipe Lopes	Ich richte hier nur das Rauschen ein.
	Stell Dies.
	Ja.
Josh Staunton	Wie deine Hintergründe.
Felipe Lopes	Ich teile gerade den richtigen Bildschirm.
Michael Nasarkowski	Großartig, alles ist in Ordnung.
Felipe Lopes	Ja.
	Es ist die richtige Präsentation.
	Denn ich gehe auf den Bildschirm und manchmal auf den falschen Bildschirm und übergebe mich so.
Michael Nasarkowski	Perfekt, alles ist perfekt.
Josh Staunton	Das sieht toll aus, ich werde meine ausschalten.
	Meine Kamera jetzt, aber ich werde sie Ihnen überlassen, meine Herren, nochmals vielen Dank und.
	Ich denke, wir können am Ende darüber reden, ob sie es tun.
Michael Nasarkowski	Es wäre schön gewesen, dich wiederzusehen, Josh.
Josh Staunton	Alles klar, pass auf dich auf.
Felipe Lopes	Also, hallo zusammen. Mein Name ist Felipe Lopes de Oliveira. Ich komme von der Federal University of Rio de Janeiro und präsentiere diese Arbeit mit Michael
	Nazarkovsky, von der Päpstlichen Katholischen Universität ebenfalls in Rio de Janeiro. Und heute präsentieren wir die Arbeit „Modern Approaches in Classification of Covalent Organic Frameworks by Textural and...by Textural Properties Using the JSL Software“.
	Kovalente organische Gerüste sind also eine neue Klasse von Materialien, die nur aus leichten Elementen wie Kohlenstoff, Stickstoff, Sauerstoff, Wasserstoff und Bor bestehen.
	Sie sind organisch, kristallin, nanoporös und in retikulären Materialien äußerst stabil. Das bedeutet, dass die chemischen Bindungen, die diese Materialien bilden, einem genau definierten geometrischen Muster folgen, das durch die Topologie des Netzwerks vorgegeben wird.
	In diesem Bild zeige ich ein Beispiel eines HCB-Gitters, das aus periodisch verbundenen Dreiecken und Stäben besteht.
	ein erweitertes Netzwerk bilden. Diese Dreiecke und Stäbchen stellen Moleküle dar, die kovalent gebunden sind und eine ausgedehnte Struktur bilden können
	mit den geometrischen Eigenschaften dieser Natur. Es gibt viele verschiedene Arten von
	Geometrien von Molekülen, die als Bausteine verwendet werden können, und verschiedene Arten chemischer Bindungen, die wir verwenden, um sie zu verbinden.
	Auf diese Weise ist es möglich, eine Struktur mit äußerst spezifischen Eigenschaften zu bilden, wie zum Beispiel ??? dass wir in der Reihenfolge von ??? steuern können in den physikalischen, chemischen Eigenschaften des Inneren des
	??? das kann...das haben wir durch die Bausteine definiert. Wir können uns die Bausteine also als Legostücke vorstellen, bei denen aus verschiedenen Teilen mehrere Strukturen mit einzigartigen Eigenschaften gebaut werden können.
	Auf dieser Folie zeige ich verschiedene mögliche Topologien, die zum Aufbau sowohl zweidimensionaler als auch dreidimensionaler kovalenter organischer Gerüste verwendet werden können.
	sowie das Format, das jeder Baustein zum Aufbau dieser Netzwerke verwenden muss. Rechts zeige ich ein Beispiel eines Kristallstrukturmodells von COFs
	mit einem ??? Netzwerk, mit dessen Hilfe künftig die Eigenschaften berechnet werden, die von Interesse sind. Man erkennt, dass das Format eine Struktur bildet, die aus einer zweidimensionalen kovalenten Schicht besteht
	und diese Schichten sind im Äquivalent einer Geographie der dritten Dimension gestapelt.
	Aufgrund ihrer unglaublichen Modulationskapazitäten können COFs für mehrere äußerst interessante Anwendungen verwendet werden, wie z. B. heterogene Katalyse, Energieerzeugung, Speicherung,
	unter anderem organische Halbleiter, chemische Sensorik, Wärmeisolierung sowie Gasabscheidung und -speicherung. Aufgrund der größeren Modularität, die ...
	Diese größere Modularität kann ebenfalls ein Problem darstellen, aber die Entwicklung dieser Materialien ist wirklich komplex.
	Sie verwenden ... sie werden normalerweise durch eine Kombination aus chemischer Intuition und verfügbaren Molekülen entwickelt.
	Mit mehreren Synthese- und Charakterisierungsschritten, die mit Materialien mit hoher ??? wiederholt werden. erhalten wird. Dieses Material wurde entwickelt...
	Die Entwicklung dieses Materials ist sehr zeitaufwändig, teuer und erfordert mehrere bis 20 Fachleute. Und manchmal führen all diese Bemühungen nicht dazu...
	führen nicht zu einem Material mit den gewünschten Eigenschaften. Um dieses Problem zu lösen, haben wir...
	Um dieses Problem zu lösen, schlagen wir ein einfaches und ??? Computeransatz, um diese Materialien zu untersuchen und so zu versuchen, ihre Entwicklung zu beschleunigen.
	Wir verwenden zunächst eine Datenbank mit Strukturen, jetzt als kuratierte COFs, die mehrere in der Literatur synthetisierte und präsentierte Strukturen zusammengestellt hat.
	Dann verwenden wir einige Bauroutinen, um Werte zu entwickeln, um diese Strukturen zu validieren und sicherzustellen, dass alles in Ordnung ist. Als nächstes verwenden wir eine DFT-basierte
	elektronische Strukturberechnungssoftware namens CP2K zur Optimierung der Selbst(?)-Parameter in den atomaren Positionen der Strukturen. Dann verwenden wir eine Software namens ZEO++,
	welches eine geometrische Analyse der Poren und eine prozentuale Übereinstimmung zwischen der Bildung von ??? durchführt. Netzwerke in ihnen.
	Anschließend wird eine Reihe struktureller Deskriptoren für die ausgewählten Kosten bestimmt. Dies ist ein Skript meines Kollegen Michael in der JMP-Software zur Durchführung mehrerer äußerst interessanter Analysen.
	Nun, hier zeige ich die Hauptstrukturen, die wir verwenden. Zuerst haben wir eine Struktur-ID, die meiner Meinung nach im Wesentlichen eine Klassifizierung des Namens der Struktur darstellt.
	Und im Anschluss haben wir das LIS, was für „Large Included Sphere“ steht und uns Aufschluss über den Porendurchmesser des Materials gibt.
	Wir haben das LFS (große freie Kugel) und das LSFP (große freie Kugel) mit ... was im Grunde dasselbe ist wie die große eingeschlossene Kugel, aber die Informationen kodieren kann ...
	der Unterschied im Porendurchmesser beeinflusst mehrere Funktionalisierungen innerhalb der Poren. Wir haben auch die SSA und die SSAV, also die spezifische Fläche, beide in Quadratmetern pro Gramm und in Quadratmetern pro Volumeneinheit.
	AVF ist der zugängliche Volumenanteil, also der Anteil des Materials, der von Poren gebildet wird, und Vp ist das Porenvolumen.
	Und dann haben wir N(chan), also die Anzahl der zugänglichen Kanäle.
	Hier in der Abbildung zeige ich eine Struktur mit nur einem Kanal, aber dreidimensionale Materialien können mehr als einen zugänglichen Kanal haben.
	Wir haben ChanDim, das ist die Dimensionalität der Kanäle, die 1D sein können, wie in dieser Struktur, 2D und 3D. Und die Kanalgröße, die im Grunde manchmal der Porendurchmesser ist, aber für ??? Strukturen können etwas anders sein.
	Und jetzt wird Michael über die Ergebnisse sprechen.
Michael Nasarkowski	Ja, vielen Dank. Vielen Dank, Felipe, für diese tolle Einführung, jetzt geht es also um reine Datenanalyse und Datenwissenschaft. Also lasst mich bitte meinerseits meinen Bildschirm teilen, okay. Okay, das werde ich jetzt tun.
	Perfekt. Gutes Zeug.
	Okay, also fangen wir am Anfang des zweiten Teils an. Es ist an der Zeit, die Daten dieser ... dieser ... so riesigen, würde ich sagen, Menge an Strukturen zu analysieren, die Felipe erhalten hat.
	Einen Augenblick. Okay gut. Nach der ersten, sagen wir, vor jeder Analyse müssen sie die Daten abrufen und einige fehlerhafte oder irrelevante Strukturen ausschließen
	und Bildschirm zur Erkennung fehlender Werte. Bei der Analyse und Überprüfung wurden keine fehlenden Werte festgestellt. Wir haben auch nach dem entdeckt
	Datenvisualisierung, dass die absolute Mehrheit der verfügbaren Strukturen der Struktur mehr als 85 % und 15 % alle in eine 3D-Struktur zugeordnet sind. Wir haben also von Anfang an einen unausgeglichenen Datensatz, der vorhergesagt werden muss. Absolute Mehrheit der
	Kanäle sind monodimensional zugeordnet
	Kanäle und es gibt einfach mehr ... mehr als 80 % und fast 17 % entfallen auf 3D-dimensionale und knapp 2 % auf zweidimensionale Kanäle.
	Darüber hinaus sind alle diese Kanäle ziemlich isotrop, was bedeutet, dass sie in allen Richtungen (X, Y und Z) gleich sind, was sich im dreidimensionalen 3D-Diagramm der Daten widerspiegelt.
	Wenn wir alle Daten auf die Strukturen verteilen, ich meine 2- und 3D-Strukturen, könnten wir sehen, dass die eindimensionalen und zweidimensionalen die absolute Mehrheit einnehmen. Mehr als 90 % für die 2D-Struktur und die 3D-Struktur sind akzeptabel.
	3D, ich meine 3D, dreidimensionale Kanäle. Fast mehr als 60 % davon werden von 3D-Strukturen eingenommen, aber das reicht völlig aus... ziemlich viel
	von drei wird auch von 2D-Strukturen übernommen, weil sie einfach einen viel größeren ... einen viel höheren Wert wie 85 % haben.
	Um das zu vermeiden, um ein solches Ungleichgewicht zu vermeiden
	Situation, wir unternehmen einige unbeaufsichtigt
	Ansätze, zusammen mit überwachten Methoden des maschinellen Lernens
	nach der Datenaufbereitung. Was machen wir also im Ersten? Bei diesen Analysen handelt es sich um eine multivariate Analyse zur Erkennung von Kolinearität
	und Korrelationen zwischen den Parametern. Wie wir sehen können, sind die ersten drei (LIS, LFS und LSFP) stark korreliert, sodass eines durch andere ersetzt werden kann. Allerdings wird ein solches Merkmal bei der PCA-Analyse sehr wichtig sein
	(Hauptkomponentenanalyse). Aus diesem Grund haben wir für die hierarchische Clusterbildung nur einen Parameter davon ausgewählt.
	Wenn auch X, Y und Z für eine Kanalgröße gelten, bedeutet unsere Isotropie dasselbe. Jedoch
	Es wurde beschlossen, sie alle beizubehalten, da dies in hohem Maße mit der nativen Struktur der 2D ... der 2D-Verbindung ... Verbindungsstrukturen der Schlüssel-COFs zusammenhängt.
	Nun, aufgrund ihrer großen Menge, fast 500 Strukturen, haben wir uns entschieden, bis zu 13 Cluster auszuwählen, die aufgrund des Verhältnisses oder des Anteils, der aus der ... Gesamtzahl ... Gesamtzahl der Cluster entnommen und analysiert wird, aussagekräftiger und relevanter sein können ihnen
	für den Mittelwert
	Parameter, die in der Tabelle wiedergegeben werden.
	Wie wir sehen können, gibt es nach der Nummer 13 noch eine weitere große
	Reduzierung der Clusterbildung... Clusterabstände, weshalb 13 als optimale Anzahl der Cluster angenommen wurde. Und aus ihnen haben wir den massereichsten Cluster ausgewählt, Cluster Nr. 7, der ... 128 enthält
	Proben einer 2D-Struktur, die später für die Klassifizierung verwendet werden.
	3D-Strukturen wiederum sind, wie würde ich das tun... Ich wage zu behaupten, dass sie bereits dieselben sind. Wir haben immer noch eine hohe Korrelation zwischen LIS, LFS und LSFP beobachtet, also auch aus diesem Grund
	Die Bedingungen für die Clusterextraktion waren die gleichen wie für 2D. Allerdings mit einer geringeren Anzahl an Clustern, so dass wir uns für sieben entschieden haben. Aus diesen sieben Clustern haben wir jedoch vier extrahiert, nur um es zumindest zu behalten
	Das Verhältnis zwischen 2D und 3D nähert sich der Gleichheit. Und es wird nicht gleich sein,
	Wie Sie jedoch auf der nächsten Folie sehen werden, wird es viel besser und weniger unausgewogen sein als 85 zu 15.
	Aus dem Vergleich zweier Tabellen zur Variabilität der Parameter können wir erkennen, dass die letzten vier in beiden Fällen für die höhere Variabilität der Strukturen innerhalb jedes Satzes verantwortlich sind. Volumenbruch... Bruch... Entschuldigung,
	Das Gesamtporenvolumen und beide Arten der spezifischen Oberfläche liegen also auf dem gleichen Niveau und sind für eine höhere Variabilität zwischen den Strukturen verantwortlich. Also wie gesagt, wir haben weniger...
	am Ende weniger Unterschied zwischen zwei Strukturen.
	Validierung ... trainierte Validierung spielte zwei Sätze, die auf der Grundlage der erhaltenen Strukturen von ... erstellt und geschichtet wurden, die aus den massereichsten Clustern entnommen und gut verteilt wurden.
	Und beginnen wir mit der logistischen Regression als der einfachsten parametrischen ... parametrischen Analyse. Nachdem ich das Unwichtigste herausgenommen habe
	Variablen haben wir nur zwei Gesamtporenvolumen und Volumenanteil übrig gelassen.
	Sie sind auch stark korreliert, z
	Ein sehr großer Prozentsatz der Korrelationen ist vorhanden. Es würde jedoch, wie Sie sehen, etwa den gleichen LogWorth erfordern, was bedeutet, dass wir nicht ausschließen können,
	zum Beispiel Volumenanteil ... Bruch, weil ich es einmal gemacht habe, um zu testen, wie es funktionieren wird, und das Fehlen davon deutlich geworden ist und
	Die Fehlklassifizierungsrate bei der Validierung betrug 20 %. Und im Vergleich zu hier haben wir bei der Validierung keine Fehlklassifizierung für die völlig richtige ... korrekte Zuordnung zu jeder Gruppe erhalten
	und mit geringer ... ziemlich geringer Fehlklassifizierung im Trainingssatz. Der Rest der Metriken ... Maße der Modellleistung werden am Ende ausführlicher besprochen, wenn wir also die gesamte Leistung aller Modelle vergleichen. Auch ihre jeweiligen
	Gleichungen zur Vorhersage der Wahrscheinlichkeit, die vorhergesagte Struktur wurde erstellt und gegeben, wurde erhalten und gegeben ... auf dieser Folie dargestellt. Gehen wir also weiter. Aus diesem Grund im nächsten
	Bei der Modellierung haben wir nur diese beiden Parameter verwendet ... Parameter, um beide Strukturen (2D oder 3D) vorherzusagen. Wenn wir also die nächsten Nachbarn als nichtparametrisches Modell ausgeschlossen haben, haben sie die besten Ergebnisse erzielt
	Metriken ... beste Leistung und Validierung bei 1K, sodass nur ein Nachbar ausreicht, um die zugewiesene Struktur zu erkennen. Wie wir aus dem Diagramm von... ersehen können.
	Ich meine, das ist ein Gesamtporenvolumen und ein Volumenanteil, sorry, also können wir das sehen
	Für 2D haben wir eine konzentriertere Menge dieser Struktur. Es ist
	sehr
	an einer Stelle konzentriert. Allerdings sind sie im Gegensatz zu 3D recht weit verbreitet. Aus diesem Grund würden die Entfernungen verglichen. Hier im rechten Teil der Folie sehen Sie, dass die höchsten Abstände zwischen den Nachbarn zusammenhängen
	3D-Strukturen wie bei der Validierung, wie beim Trainingssatz. Aus diesem Grund können wir auch diese nichtparametrischen Modelle verwenden ... ein einzelnes nichtparametrisches Modell, das bei der Attribution nur mit diesen beiden Parametern angewendet wird.
	Auch die quadratische Diskriminanzanalyse ergibt keine Fehlklassifizierung bei der Validierung und weniger als 5 % Fehlklassifizierung im Trainingssatz, was lediglich einer Fehlklassifizierung von acht Stichproben entspricht. So ist es sogar einfach... wird sowohl in der Verwirrungsmatrix als auch im Parallelplotdiagramm gesehen.
	Und auch der Rest...
	Die restlichen Parameter werden beschrieben ... werden später besprochen, da dieses Modell einige Tricks hat ... es wird ...
	interessanter...wird sein...wir werden am Ende sehen. Naive Bayes ist also ein weiteres parametrisches, aber sehr einfaches Modell, das ebenfalls zu keiner Fehlklassifizierung geführt hat. Die Situation wird also ziemlich wettbewerbsorientiert... wettbewerbsorientiert.
	Wie wir hier etwa sehen können, sind also beide Parameter in ihrer Wirkung nahezu gleich
	Der Gesamteffekt beträgt fast 0,88 für das Gesamtporenvolumen und für den Volumenanteil fast 8...0,8, weshalb sie nahezu den gleichen Beitrag für ihre Klassifizierungsaufgabe leisten.
	Und es wurden auch einfache Diagramme zur Vorhersage erstellt.
	Support-Vektor-Maschine wurde nicht demonstriert, auch brillante Leistung. Wie wir sehen können, ist das 64...sorry 46 ??? Vektoren wurden verwendet, um ein solches Modell zu erstellen, bei dem es am Ende zu keiner Fehlklassifizierung kam. Und einige
	Fehlklassifizierung in einem Training (6 %), und der größte Prozentsatz der Fehlklassifizierung betraf genau 3D, da sie falsch klassifiziert wurden.
	Okay, also lasst uns weitermachen. Und schließlich kommen wir zu einem komplexen Modell, das unüberwachte und überwachte Ansätze kombiniert, die unüberwachte PCA. In diesem Fall haben wir alle alle genommen ...
	quantitative kontinuierliche Parameter, einschließlich aller, auch derjenigen, die stark miteinander korrelieren, und wir haben sie erstellt
	Diagramme und Plots für PCA. Und wie wir sehen können, gibt es zwei Hauptkomponenten, die die Werte haben
	mehr als eine nach der Kaiser-Regel, was bedeutet, dass wir zu diesem Zeitpunkt eine weitere, fast einer Komponente nahe kommende dritte Komponente haben, die wir nicht in das Vorhersagemodell einbeziehen. Wir werden nur die ersten beiden einbeziehen
	wobei diese Eigenwerte mehr als eins waren. Und was interessant ist: Hier können wir sehen, dass die erste Komponente, die Hauptkomponente, die fast 66 % der Fälle beschreiben kann, Folgendes umfasst:
	Nehmen wir an, LIS, LFS, LSFP und Kanäle ... Kanalparameter, also meine ich Größe X, Y und Z, diese Richtungen. Das ist also, sagen wir mal, ??? Kanäle, ??? Kanal eingestellt.
	Und die zweite, die zweite Komponente ist größtenteils gut, könnte durch beide Arten der spezifischen Oberfläche und Porosität beschrieben werden. Dies ist ein reiner Texturparameter.
	Wie wir also sehen können, beobachten wir auch hier einen solchen Zertifizierungsunterschied und können in dieser Beschreibung Rückschlüsse auf den Beitrag beider Parameter zur Vorhersage ziehen.
	Strukturen. Nachdem wir also eine logistische Regression erstellt haben, die nur diese beiden Hauptkomponenten verwendet, wird ihre Formel in der ... in unserer Veröffentlichung, in unserer Zusammenfassung danach in der Arbeit, in der wir sie innerhalb des Bereichs einreichen werden, angegeben. .im Rahmen des vorliegenden Gipfels.
	Auch hier haben wir offensichtlich eine Fehlklassifizierungsrate von Null und eine sehr, sehr niedrige Fehlklassifizierungsrate von weniger als 1 % im Training erzielt ... während das Training nicht ... was nicht ... war ... was nicht beobachtet wurde die Vorgängermodelle. Jetzt kommen wir also zum Höchsten
	interessanter Teil, das Fazit zu unserem
	zusammengefasst
	Modelle. Wie wir sehen können, fassen wir den Trainingssatz durch Fehlklassifizierung zusammen, offensichtlich weil wir dort einige Werte erhalten haben. Wir können die logistische Regression sehen ... die Regressionsmodelle
	wie einfach und PCA-basiert, hier oben im Diagramm durch Fehlklassifizierung und durch Validierungsdiskriminanzanalyse. Jedoch,
	Was wir hier sagen können: Wir haben alle ihre Fehlklassifizierungs-Arrays oder Genauigkeit als Gegenteil von Parametern, wir sollten andere Metriken vergleichen.
	Was wir also sehen können, okay, gut, wir haben auch anhand anderer Metriken höhere Werte, die für die Diskriminanzanalyse von Vorteil sind. Aber wenn wir genauer hinsehen würden,
	Wir werden sehen ... jeder wird sehen, dass es einen großen Unterschied zwischen diesen Metriken gibt, sogar zwischen der Fehlklassifizierungsrate, zwischen Validierung und Training. So können wir machen
	Irgendetwas, wissen Sie, wir hatten einige Probleme mit Über- oder Unteranpassung. In diesem Fall haben wir es hauptsächlich mit einer Unteranpassung zu tun, da die Invalidierung von Metriken besser ist als
	für das Training. Wird normalerweise umgekehrt auftreten, ja, in den meisten Fällen ... In den meisten Fällen handelt es sich um eine Überanpassung, wenn das Training die Daten überanpassungt und wir bei der Validierung schlechtere Metriken erhalten. Hier ist das genaue Gegenteil, deshalb
	diese Metriken, wie Entropie R-Quadrat und verallgemeinertes R-Quadrat und mittlerer Log-P-Wert sowie die Fehlklassifizierungsrate,
	wurden analysiert ... Unterschiede wurden für diese vier Kennzahlen analysiert, und deshalb wählen wir die Besten der Besten aus. Wie bereits erwähnt, zeigte die Diskriminanzanalyse den höchsten Wert
	Die Qualität der Leistung weist jedoch einen der größten Unterschiede zwischen den Validierungsmetriken im Training im Vergleich zu anderen auf. Erinnere dich daran
	Bei der Validierung ergaben alle eine Null, sodass wir fast eine Auswahl treffen können
	jeder von ihnen, mit der optimalen Balance anderer Metriken ... Unterschiede für die Metriken zwischen Validierung und Training. Was wir hier also zum Beispiel sehen können, ist der niedrigste...
	Der geringste Unterschied zwischen der Fehlklassifizierungsrate und dem Entropie-R-Quadrat wird auf die logistische Regression in Kombination mit PCA zurückgeführt.
	Andere zwei Metriken, wie die verallgemeinerte Differenz zwischen..., die Differenz im verallgemeinerten R-Quadrat und im mittleren Log-P-Wert wird beobachtet
	in für Support-Vektor-Maschine. Für Naive Bayes können wir dieses Modell jedoch nicht auswählen, da es zumindest zwei gibt
	Parameter, es gibt einen sehr großen Unterschied. Das ist also der Grund
	Wir können davon ausgehen, dass für die beste Leistung und die korrekteste logistische Regression auf PCA-Basis empfohlen wird, und optional auch Support Vector Machine als weiteres Modell zur Vorhersage von 2D- und 3D-Strukturen empfohlen wird. Weitere Details und mehr
	Die Methoden werden in unserer Arbeit dargelegt, die wir innerhalb von zwei Wochen einreichen werden
	und auf der Website der JMP Community veröffentlichen. Vielen Dank, es war mir eine große Freude, eine solche Präsentation zu halten. Daher habe ich auch meinem Kollegen David Kirmayer von der Hebräischen Universität Jerusalem in Israel meine große Anerkennung ausgesprochen. Vielen Dank für die Aufmerksamkeit.
Josh Staunton	In Ordnung.
	Vielen Dank, meine Herren.

Datenzugriff und -manipulationDatenexplorationDatenvisualisierungJSL-AnwendungsentwicklungStatistik und Modellierung