398709_zh-CN

liliconcom

使用 JSL 按结构特性对共价有机框架进行分类的现代方法 (2021-US-30MP-874)

级别：中级

 

Michael Nazarkovsky，里约热内卢天主教大学化学系 (DQ PUC Rio)
Felipe Lopes de Oliveira，里约热内卢联邦大学化学研究所 (IQ UFRJ)

 

共价有机框架（COF）是一类新兴的结晶有机纳米多孔材料，通过一个或多个结构单元的共价键合以自下而上的方法设计。 由于构建模块的数量巨大且多样性，可以合成大量不同的COF。 从这个意义上说，发展能够指导新材料合成的机器学习技术极为重要。 在这项工作中，在选择了一组 590 个结构后，使用 DFT 和大正则蒙特卡罗方法确定了这些结构对 CO2 或 H2 的吸附和捕获的焓。 还尝试开发分类模型。

在本研究中，结构通过 JSL (JMP Pro 15) 中编码的无监督（层次聚类、PCA）和监督（多重逻辑回归、朴素贝叶斯、KNN、SVM）方法进行分类。 COF 在 2D 和 3D 中分离。 选择最大的集群来执行有监督的机器学习，按结构（62.9% 2D 和 37.1% 3D）对数据进行分层，以避免训练/验证比率不成比例（80%/20%）。 已成功完成按纹理属性进行的 2D/3D 分类，所有模型的准确性（验证）均为 100%。 对其他指标（例如熵 R2、广义 R2、平均 -log(p)）进行了比较和讨论，以选择最佳模型。

 

 

自动生成的成绩单...

 

扬声器	成绩单
乔什·斯汤顿	迈克尔.
迈克尔·纳扎尔科夫斯基	嗨，乔希，请稍等一下。
	好的。
迈克尔·纳扎尔科夫斯基	哦，是的，不，它运作良好。
乔什·斯汤顿	很好，我能见到你，谢谢。
迈克尔·纳扎尔科夫斯基	当你。
	当我们等待菲利皮时，他说他是第一个，所以我十分钟前才和他通话，所以你现在正在录音，是的。
乔什·斯汤顿	是的，它开始录制，我们将编辑这部分。
	一旦我们完成了它，并在菲利普加入后有几个问题需要解决，然后我会将其传递给你，关闭我的相机和我的儿子，让你们让你们把它拿走，但是谢谢我们对此表示赞赏。
迈克尔·纳扎尔科夫斯基	哦，非常感谢，真的，当他们收到这样一个关于可能参加的机会的消息时，对我来说是一个很大的惊喜。
	在这个活动中，或者实际上是三到五个，或者实际上我是如何知道这一点的，去年我在去年十月份参加了会议，印象深刻，天啊，如此好的主题被阐明，所以我决定不要失去这个机会年。
乔什·斯汤顿	是啊，太棒了。
	嗯，不幸的是，你知道今年将是面对面的，但你知道，我们仍然有一些很棒的内容。
	我们希望，在未来，我们可以让您参加一场总是很有趣的亲身发现活动。
迈克尔·纳扎尔科夫斯基	哦，是的，希望如此。
	我从去年年初开始使用果酱，而且是从睡衣开始使用。
	是的，是的，我想说，非常快，非常简单。
	是的，大流行或我的成功是否实际上作为或作为结果之一而取得了很多成功，您现在将在本演示中看到。
	甚至开始发表有关该内容的文章，实际上目前，我想，我是作者的合著者，也可能同时有三篇文章，很清楚，我涉及 JMP。
	快点。
乔什·斯汤顿	一切都很漂亮。
	适合您的快速学习。
迈克尔·纳扎尔科夫斯基	你知道，这对于统计思维当然有很大帮助。
	是的，只是是的。
	是的。
乔什·斯汤顿	我们在过去使用某种开源来进行分析之前使用过。
迈克尔·纳扎尔科夫斯基	你的意思是开源。
乔什·斯汤顿	开什么的。
	为了减少到别人的。
迈克尔·纳扎尔科夫斯基	啊，不，不，不，不，不，你知道我开始学习 Python，但你知道吗。
	我的意思是克服学习中的一些困难。
	所以我是化学家和物理化学家，实际上将所有这些东西用于化学材料科学，正如你现在所看到的，是的，所以我决定从 Python 切换到数学实验室，与专业六路并行，以便在那里取得进展，因为。
	Jeff 中的 Metalab 机器学习界面对于科学家来说已经足够了。
乔什·斯汤顿	是的，是的，不，听到这个消息真是太棒了，我很高兴你已经接受了它，并且你知道自己擅长它，这真是太棒了。
迈克尔·纳扎尔科夫斯基	好吧，让我，让我给菲利皮发短信。
	好吧，哇，发生了什么事，他遇到了一些互联网问题，就像一小时前一样。
	好吧好吧。
	他正试图进入。
乔什·斯汤顿	他还没进来 不。
	奇怪的。
乔什·斯汤顿	实时。
	因此，您不必输入任何密码，我们点击链接即可直接输入正确的密码。
迈克尔·纳扎尔科夫斯基	好吧，我刚刚就把链接发给了他，但我不记得那里是否需要密码。
乔什·斯汤顿	你不应该有生意是的。
迈克尔·纳扎尔科夫斯基	就是这样，所以他一会儿就给我发短信。
	哦。
	哦，是的，问题不是现在再次遇到缩放和互联网问题。
	哦。
迈克尔·纳扎尔科夫斯基	我们还有一小时的时间，是的。
乔什·斯汤顿	他现在就加入。
迈克尔·纳扎尔科夫斯基	哦，很好。
	是的。
费利佩·洛佩斯	你好。
迈克尔·纳扎尔科夫斯基	你好，终于你是英雄了，所以你要启动演示文稿，所以乔什就像乔什在等待我们一样，所以我们实际上是及时的。
费利佩·洛佩斯	是的，随时都可以。
乔什·斯汤顿	当然，一次，我指的是当时。
	很高兴认识你，我的名字是。
	乔什，我的意思是我不。
	看看录音机，我只是要回答几个问题，然后，一旦我们解决了这个问题，我就会把它交给你们，关掉我的相机，你们可以把它拿走我们将删除所有这部分。
	好的。
	尽管现在值得录制，但我们稍后会编辑该部分。
	有几件事。
	对啊，我猜是这样。
	显然，我们有来自里约热内卢天主教大学的迈克尔作为我们的科斯基，他是洛佩斯·德·拉维哈。
	里约热内卢联邦大学，你们要过去。
	柯克兰的水方法和分类或使用监狱牢房 2021 dash us desk 30 MP dash 874 按纹理属性获取框架，这听起来正确吗？
费利佩·洛佩斯	是的。
迈克尔·纳扎尔科夫斯基	好吧，全名全名。
乔什·斯汤顿	是的，全名现在可以了，你们。
	请您了解，此记录是为了使用 JMP 发现峰会而录制的，它将公开提供，并且 JMP 用户社区是否授予此记录和使用的权限。
费利佩·洛佩斯	是的，我愿意，是的，谢谢。
迈克尔·纳扎尔科夫斯基	好的。
乔什·斯汤顿	迈克尔你很好。
	嗯，当然咯。
	是的，这里有一个类比。
	听起来你们有吗？
	你的手机有点关机了，就像我一样或者类似的事情。
迈克尔·纳扎尔科夫斯基	毁掉是啊
	任何可能打扰的事情我都会关掉较旧的最古老的声音，天空记住这些要求，乔治请在会议期间告诉我，我的意思是在会议记录之后，你会抓住相关的东西，否则就会像整体一样。
乔什·斯汤顿	是的，所以它将直接进行，我认为如果出于某种原因，有什么事情，他们不会在其中进行任何编辑。
	发生了灾难性的事情，我们可以从头开始，但我认为他们会让你直接过去，不用担心，你知道，嘿，我们都是人类，所以。
	你犯了一个错误，只是尝试继续前进，没有人，它不一定是完美的，正确的统计数据并不完美，所以你也不需要，但是是的。
	前进。
费利佩·洛佩斯	不。
乔什·斯汤顿	对不起。
	可以吗迈克尔听起来不错。
迈克尔·纳扎尔科夫斯基	是的，一切都很好，一切都很好。
	嗯是的。
乔什·斯汤顿	我们刚刚看到的最后一件事。
	好的。
	是的，已经很好了。
	好吧，只是任务栏。
	现在我要去。
	你们还有其他问题吗？或者你们已经准备好提出问题了。
	是。
迈克尔·纳扎尔科夫斯基	是的。
	是的，我猜。
费利佩·洛佩斯	共享我的屏幕 迈克尔，您如何共享您的屏幕。
迈克尔·纳扎尔科夫斯基	你是兄弟吗。
	但是好吧，乔什，从技术上来说，如果我们互相共享屏幕就可以了，是的。
乔什·斯汤顿	是的，你知道那很好，只是。
	只要确保您显然知道转发幻灯片并且不会落后幻灯片太远。
迈克尔·纳扎尔科夫斯基	好但是。
乔什·斯汤顿	是的，你们绝对知道什么。
迈克尔·纳扎尔科夫斯基	我们将为他们做完整相同的演示，因为我们所有的部分都在一起，所以我们先做一遍就可以了，谢谢。
乔什·斯汤顿	好吧，很酷，你们以前知道如何使用缩放来共享屏幕。
	是的。
费利佩·洛佩斯	只是在这里设置冲刺。
	把这个。
	是的。
乔什·斯汤顿	喜欢你的背景。
费利佩·洛佩斯	我现在共享正确的屏幕。
迈克尔·纳扎尔科夫斯基	太好了一切都很好。
费利佩·洛佩斯	是的。
	这是正确的演示。
	因为我正走向屏幕，有时会出现错误的屏幕并抛出异常。
迈克尔·纳扎尔科夫斯基	完美一切都完美。
乔什·斯汤顿	看起来很棒，我要关掉我的了。
	现在我的相机了，但我会把它交给你们先生们，再次感谢。
	我想，如果他们的话，我们可以最后谈谈。
迈克尔·纳扎尔科夫斯基	很高兴再次见到你，乔希。
乔什·斯汤顿	好吧，保重。
费利佩·洛佩斯	那么，大家好。 我叫费利佩·洛佩斯·德奥利维拉。 我来自里约热内卢联邦大学，我将与迈克尔一起展示这项工作
	纳扎尔科夫斯基，来自同样位于里约热内卢的天主教大学。 今天，我们介绍了这项工作，即使用 JSL 软件按纹理和...按纹理属性对共价有机框架进行分类的现代方法。
	因此，共价有机骨架是一类仅由碳、氮、氧、氢和硼等轻元素组成的新型材料。
	它们是有机的、结晶的、纳米多孔的，在网状材料中高度稳定。 这意味着形成这些材料的化学键遵循由网络拓扑决定的明确的几何图案。
	在此图中，我展示了 HCB 型晶格的示例，它由周期性连接的三角形和杆组成，
	形成一个延伸的网络。 这些三角形和杆代表分子，这些分子可以...您称之为构建块，它们通过共价键结合并形成扩展结构
	具有这种性质的几何特征。 有许多不同类型
	可用作构建块的分子几何形状以及我们用来连接它们的几种类型的化学键。
	这样，就可以形成具有极其特定特征的结构，例如???我们可以按 ??? 的顺序控制内部的物理、化学特性
	???这可以......我们已经通过构建块定义了。 因此，我们可以将构建块视为乐高积木，其中不同的积木可以用来构建多个具有独特特征的结构。
	在这张幻灯片中，我展示了可用于构建二维和三维共价有机框架的不同可能的拓扑，
	以及每个构建块必须用于构建这些网络的格式。 右边是 COF 晶体结构模型的示例
	与一个 ???网络，它将用于计算未来感兴趣的属性。 可以看出该格式形成了由二维共价层组成的结构
	这些层堆叠起来相当于三维地理。
	由于其令人难以置信的调制能力，COF 可用于多种非常有趣的应用，例如多相催化、能源生产、存储、
	有机半导体、化学传感、隔热、气体捕获和存储等。 然而，由于更大的模块化......
	这种更大的模块化也可能是一个问题，但这些材料的开发确实很复杂。
	它们使用……它们通常是通过化学直觉和可用分子的结合而开发的。
	通过对具有高 ??? 的材料重复进行几个合成和表征步骤获得。 这种材料的开发...
	这种材料的开发非常耗时、昂贵，需要数...20名专业人员来执行。 有时，所有这些努力并不会导致......
	不会产生具有所需特性的材料。 因此，为了尝试解决这个问题，我们...
	为了尝试解决这个问题，我们提出了一个简单的 ???计算方法来研究这些材料，从而尝试加速它们的发展。
	我们最初使用结构数据库，现在作为策划的 COF，它编译了文献中合成和呈现的几种结构。
	然后我们使用一些构建例程来开发值来验证这些结构并确保一切正常。 接下来我们使用基于 DFT 的
	电子结构计算软件 CP2K 用于优化结构原子位置的 self(?) 参数。 然后我们使用一个叫ZEO++的软件，
	它执行孔隙的几何分析以及 ??? 形成之间的百分比匹配他们内部的网络。
	然后确定所选成本的一组结构描述符。 这是我的同事 Michael 在 JMP 软件中编写的脚本，用于进行一些非常有趣的分析。
	好吧，我在这里展示了我们使用的主要结构。 首先我们有一个结构ID，我认为这基本上是结构名称的分类。
	接下来，我们有 LIS，它代表大包含球体，它为我们提供了材料的孔径信息。
	我们有 LFS（大自由球体）和 LSFP（大球体自由路径），...基本上与大包含球体相同，但可以对信息进行编码...
	孔内几种功能化对孔径影响的差异。 我们还有 SSA 和 SSAV，即比面积，单位均为平方米每克，单位为平方米每体积单位。
	AVF，即可及体积分数，即材料中有多少是由孔隙形成的，Vp 是孔隙体积。
	然后，我们有 N(chan)，它是可访问通道的数量。
	在图中，我展示了一种只有一个通道的结构，但三维材料可以有多个可访问的通道。
	我们有 ChanDim，它是可以是 1D 的通道的维度，就像在这个结构中的 2D 和 3D 一样。 通道尺寸，有时基本上是孔径，但对于 ???结构可能略有不同。
	现在，迈克尔将谈论一些结果。
迈克尔·纳扎尔科夫斯基	是的，非常感谢。 非常感谢 Felipe 的精彩介绍，所以现在将是纯粹的数据分析和数据科学。 那么请让我轮流分享我的屏幕吧。 好吧，这就是我现在要做的。
	完美的。 好东西。
	好的，那么我们就从第二部分的开头开始吧。 现在是时候分析那些……这些……我想说，费利佩获得的大量结构的数据了。
	一会儿。 好的。 在第一个之后，比方说，在任何分析之前，他们必须检索数据并排除一些错误的结构或一些不相关的结构
	和屏幕来检测缺失值。 在分析和筛选过程中未检测到缺失值。 事后我们还发现
	数据可视化表明，绝对大多数可用结构都分配给结构，其中 85% 和 15% 全部分配为 3D 结构。 所以从一开始，我们就有不平衡的数据集需要预测。 绝对多数
	通道被分配给单维
	通道，而且还有更多...超过 80% 和几乎 17% 归因于 3D 维度，只有不到 2% 归因于二维通道。
	此外，所有这些通道都是相当各向同性的，因此这意味着它们在所有方向（X、Y 和 Z）上都是相等的，这反映在数据三维 3D 图上。
	如果我们将所有数据分布在结构之间，我的意思是 2 维和 3 维结构，我们可以看到单维、二维占据绝对多数。 90%以上为2D结构和3D结构。
	3D，我的意思是3D，三维通道。 然而，几乎超过 60% 的内容是由 3D 结构占据的，这已经足够了……相当高的数量
	2D 结构也采用了 3 个，因为它们具有更多……更高的值，例如 85%。
	为了避免这种情况，避免这种不平衡
	情况下，我们正在进行一些无人监督的
	方法，以及机器学习的监督方法
	数据准备好后。 那么我们首先做什么？？？在这些分析中，多变量分析检测共线性
	以及参数之间的相关性。 因此，正如我们所看到的，前三个（LIS、LFS 和 LSFP）高度相关，因此可以用其他三个来替代。 然而这样的特性将会非常重要，而PCA的分析
	（主成分分析）。 这就是为什么对于层次聚类，我们只选择其中的一个参数。
	如果 X、Y 和 Z 也表示通道尺寸，则各向同性的含义相同。 然而
	我们决定保留所有这些，因为这与 2D 的原生结构...2D 化合物...关键 COF 的化合物结构高度相关。
	好吧，由于它们的数量很大，几乎有 500 个结构，我们决定选择 13 个簇，这些簇可以通过比率或从......所有数量......整个数量的簇中获取的部分进行优化，并进行分析他们
	对于平均值
	参数，反映在表中。
	我们可以看到，在数字13之后，还有一个巨大的
	减少聚类...聚类距离，所以这就是为什么 13 被认为是最佳聚类数量。 我们从它们中选择了最大的星团，星团 #7，其中包含......包含 128 个
	二维结构的样本，因此将用于后续分类。
	反过来，3D 结构是，我该怎么办……我敢说已经是一样的了。 我们仍然观察到 LIS、LFS 和 LSFP 之间仍然存在高度相关性，因此这也是为什么
	簇提取的条件与 2D 的条件相同。 然而，由于集群数量较少，我们决定采用七个。 然而，从这七个簇中，我们提取了四个，只是为了至少保留
	2D 和 3D 之间的比率更接近相等。 而且这将是不平等的，
	然而，正如您将在下一张幻灯片中看到的那样，它会比 85 到 15 好得多，不平衡程度也更少。
	通过比较关于参数变异性变化的两个表，我们可以看到两种情况下的最后四个导致每组内结构的较高变异性。 体积断裂...分数...抱歉，
	总孔体积和两种类型的比表面积，因此它们处于同一水平，并且它们导致结构之间较高的变异性。 所以正如我所说，我们得到的更少......
	最终两种结构之间的差异较小。
	验证...训练有素的验证根据从最大规模的集群中获得的结构构建并分层，并进行分层。这些结构取自最大规模的集群并分布良好。
	让我们从逻辑回归开始，作为最简单的参数...参数分析。 去掉最不相关的之后
	变量，我们只留下总孔隙体积和体积分数两个。
	它们也高度相关，例如
	很大比例的相关性是。 然而，正如你所看到的，这需要一个关于，抱歉，相同的 LogWorth，所以这意味着我们不能排除，
	例如，体积分数...分数，因为我曾经做过一次来测试它如何工作，并且缺乏它变得很重要并且
	验证误分类率达到20%。 与这里相比，我们进行了验证，完全正确的零错误分类......每个组的正确归因
	并且训练集中的错误分类率很低……相当低。 其余的指标......模型性能的度量将在最后进行更多讨论，因此当我们将比较所有模型的所有性能时。 还有他们各自的
	预测概率的方程，预测结构的创建和给出，获得和给出......在这张幻灯片上呈现。 那么让我们更进一步。 这就是为什么，在接下来的
	建模时，我们只使用这两个参数...参数来预测两种结构（2D 或 3D），因此将最近邻居作为非参数模型给了它们最好的结果
	指标...在 1K 时具有最佳性能和验证，因此只有一个邻居就足以识别分配...识别结构。 从图中我们可以看出...
	我的意思是，总孔隙体积和体积分数，抱歉，所以我们可以看到
	对于 2D，我们有更集中的这种结构。 它是
	非常
	集中在一处。 然而，与 3D 相比，它们相当分散。 这就是为什么它会比较距离。 在幻灯片的右侧部分，您可以看到邻居之间的最大距离与
	验证中的 3D 结构和训练集中的 3D 结构。 因此，这就是为什么我们也可以使用这些非参数模型...单个非参数模型仅使用这两个参数即可应用于归因。
	此外，二次判别分析在验证中给出了零错误分类，在训练集中给出了不到 5% 的错误分类，仅错误分类了 8 个样本。 所以它甚至很容易......在混淆矩阵和平行图上都可以看到。
	还有其余的...
	其余参数将被描述...稍后将讨论，因为这些模型有一些技巧...它将...
	更有趣的是……我们最终会看到。 因此，朴素贝叶斯是另一个参数化但非常简单的模型，也实现了零错误分类。 所以情况变得相当有竞争力……有竞争力。
	正如我们在这里看到的，两个参数的效果几乎相同，因此
	总孔隙体积的总效应几乎为 0.88，体积分数几乎为 8...0.8，因此这就是为什么它们对分类任务的贡献几乎相等。
	并且还构建了简单的图来进行预测。
	支持向量机尚未被演示，也表现出色。 正如我们所看到的 64...抱歉 46 ???使用向量构建了这样一个模型，最终实现了零错误分类。 还有一些
	训练中的错误分类 (6%)，而且大多数情况下，最大比例的错误分类是针对 3D 的，它们被错误分类了。
	好吧，让我们更进一步。 最后，我们得出一个结合了无监督和监督方法的复杂模型，即无监督 PCA。 在这种情况下，我们把所有的都拿走了......
	定量连续参数，包括所有参数，甚至是那些彼此高度相关的参数，我们建立了
	PCA 的图表和绘图。 正如我们所看到的，两个主要组件的值分别为
	根据凯撒规则，超过一个，所以这意味着此时，我们还有另一个几乎接近于一个的分量，即第三个分量，我们不会将其涉及到预测模型中。 我们只涉及前两个
	这些特征值不止一个。 有趣的是，在这里我们可以看到，在第一个组件中，主成分可以描述几乎 66% 的情况，这些包括，
	比方说，LIS、LFS、LSFP 和通道...通道参数，所以我指的是尺寸 X、Y 和 Z，这些方向。 所以这就像，让我们说，？？？渠道，？？？频道设置。
	第二个，第二个成分大部分都很好，可以用比表面积和孔隙率来描述。 这是一个纯纹理参数。
	因此，正如我们所看到的，即使在这里，我们也观察到了这种认证差异，并且可以在这个描述中得出关于两个参数对预测的贡献的结论。
	结构。因此，在我们构建逻辑回归之后，仅使用这两个主成分，它们的公式将在我们的出版物中给出，在我们将在范围内提交的论文摘要中给出。 .在本次峰会的范围内。
	显然，在这里，我们的错误分类率为零，并且训练中的错误分类率非常非常低，不到 1%……而训练时，这不是……这是……不是……没有观察到这一点以前的型号。 所以现在我们来到了最
	有趣的部分，关于我们的结论
	总结
	楷模。正如我们所看到的，我们通过错误分类训练集来总结，显然是因为我们在那里得到了一些值。 我们可以看到逻辑回归......回归模型
	就像简单的和基于 PCA 的，这里通过错误分类和验证判别分析位于图表的顶部。 然而，
	我们在这里可以说的是，我们拥有所有错误分类数组或准确性作为参数的对立面，我们应该比较其他指标。
	所以我们可以看到，好吧，我们还通过其他指标获得了更高的值，这对判别分析非常有利。 但如果我们仔细观察的话
	我们会看到......每个人都会看到这些指标之间存在巨大差异，甚至在错误分类率之间、验证和训练之间也存在巨大差异。 所以我们可以使
	有些事情，你知道我们遇到了一些过拟合或欠拟合的麻烦。 在这种情况下，我们主要处理欠拟合，因为指标失效比
	为了训练。 通常会发生相反的情况，是的，大多数情况都是在训练过度拟合数据并且我们在验证中获得更差的指标时处理过度拟合的情况。 这里完全相反，所以这就是为什么
	这些指标，如熵 R 平方、广义 R 平方和平均 log P，以及错误分类率，
	进行了分析...对这四个指标的差异进行了分析，这就是我们选择最佳指标的原因。 如前所述，判别分析表明最高
	然而，与其他指标相比，性能质量是训练验证指标之间最大的差异之一。 请记住
	在验证时，它们都给出了零，所以这意味着我们可以选择几乎
	其中每个指标都具有其他指标的最佳平衡...验证和训练之间指标的差异。 所以我们在这里可以看到，例如，最低的......
	误分类率和熵 R 平方之间的最小差异归因于逻辑回归与 PCA 的结合。
	观察到其他两个指标，例如广义 R 平方和平均 log P 之间的差异...
	用于支持向量机。 然而，对于朴素贝叶斯，我们不能选择这个模型，因为至少在两个
	参数上，差别非常大。 所以这就是为什么
	我们可以假设，为了获得最佳性能、最正确的结果，建议使用基于 PCA 的逻辑回归，并且还可以选择建议使用支持向量机作为预测 2D 和 3D 结构的另一种模型。 更多细节以及更多
	方法将在我们的论文中给出，我们将在两周内提交
	并发布在JMP社区网站上。 非常感谢你们，很高兴能做这样的演讲。 因此，我也高度感谢我来自以色列耶路撒冷希伯来大学的同事大卫·科迈尔（David Kirmayer）。 感谢您的关注。
乔什·斯汤顿	好吧。
	谢谢你们，先生们。

数据访问和操作数据探索数据可视化JSL应用程序开发统计和建模