Vocero
|
Transcripción
|
| jose staunton |
Miguel. |
| Miguel Nazarkovski |
hola jose solo un momento. |
| |
Bueno. |
| Miguel Nazarkovski |
Ah, sí, no, no, está funcionando bien. |
| jose staunton |
Bien, puedo verte, gracias. |
| Miguel Nazarkovski |
Mientras tu. |
| |
Mientras esperamos a phillippi, dice que es el primero, así que acabo de hablar con él hace 10 minutos, así que estás grabando ahora mismo, sí. |
| jose staunton |
sí, comienza a grabar, solo editaremos esta parte. |
| |
Una vez que lo revisemos y tengamos un par de preguntas para responder una vez que Philippe se una y luego se lo pasaré a usted, apague mi cámara y mi hijo y deje que se lo lleven, pero gracias. porque por hacer esto te lo agradecemos. |
| Miguel Nazarkovski |
Oh, muchas gracias, de verdad, fue una gran sorpresa para mí cuando recibieron un mensaje sobre la posibilidad de participar. |
| |
En este evento o realmente son de tres a cinco o en realidad cómo lo supe, el año pasado recibí la sesión en octubre del año pasado, y quedó impresionado, Dios mío, así que se aclaran buenos temas, así que decidí no perder esta oportunidad este año. |
| jose staunton |
sí genial impresionante. |
| |
Bueno, ya sabes, desafortunadamente, sabes que este año será en persona, pero ya sabes, todavía tenemos un gran contenido y. |
| |
Esperamos que en el futuro podamos llevarlo a uno de los eventos de descubrimiento en persona que siempre son divertidos. |
| Miguel Nazarkovski |
Oh, sí, con suerte como. |
| |
Empecé a usar mermelada desde principios del año pasado, y recién desde el inicio de pijamas. |
| |
sí, sí, bastante rápido, muy simple, diría yo. |
| |
sí, y la pandemia o tengo éxito, en realidad, como o como resultado de uno de los resultados, lo verán ahora mismo en esta presentación. |
| |
E incluso comencé a publicar sobre eso y, en realidad, en este momento, supongo, soy coautor del autor y también tengo quizás tres artículos en paralelo, muy consciente, involucro a JMP. |
| |
Vamos. |
| jose staunton |
Todo lo que es bonito. |
| |
Aprendizaje rápido que es para ti. |
| Miguel Nazarkovski |
Solo sabes que ayuda mucho, por supuesto, para un pensamiento estadístico. |
| |
si solo si |
| |
sí. |
| jose staunton |
estamos usando antes de usar solo una especie de código abierto para hacer sus análisis en el pasado o. |
| Miguel Nazarkovski |
Código abierto quieres decir. |
| jose staunton |
En o algo. |
| |
Para reducirlo a la de otra persona. |
| Miguel Nazarkovski |
Ah, no, no, no, no, no, sabes que comencé a aprender Python pero sabes qué. |
| |
Me refiero a contrarrestar algunas dificultades en el aprendizaje. |
| |
Así que soy químico y químico físico y en realidad estoy usando todo esto para la ciencia de materiales de química, como verán ahora mismo, así que decidí cambiar de Python a laboratorio de matemáticas en paralelo a Pro Six Road para progresar allí porque. |
| |
La interfaz de aprendizaje automático para metalab en Jeff es más que suficiente para los científicos. |
| jose staunton |
Sí, sí, no, eso es genial de escuchar. Me alegro de que lo hayas aceptado y sepas sobresalir con eso, eso es increíble. |
| Miguel Nazarkovski |
Bueno, déjame, déjame enviarle un mensaje de texto a phillippi. |
| |
De acuerdo, vaya, qué está pasando, ha encontrado algunos problemas con problemas de Internet como una hora antes. |
| |
Bien bien. |
| |
él está tratando de entrar. |
| jose staunton |
aún no está no. |
| |
extraño. |
| jose staunton |
en tiempo real. |
| |
Así que no tenías que poner ninguna contraseña, hicimos clic en el enlace y entraste correctamente. |
| Miguel Nazarkovski |
Bueno, le envié el enlace recién haciendo pero no recuerdo si alguna contraseña necesita estar ahí. |
| jose staunton |
No deberías tener negocios, sí. |
| Miguel Nazarkovski |
esa es la cosa, así que me está enviando un mensaje de texto ahora mismo en un momento. |
| |
Oh. |
| |
Oh, sí, entonces la cosa no es que el zoom se encuentre nuevamente y los problemas con Internet en este momento. |
| |
Oh. |
| Miguel Nazarkovski |
Tenemos una hora, sí. |
| jose staunton |
se une ahora mismo. |
| Miguel Nazarkovski |
Oh Dios. |
| |
Sí. |
| Felipe Lopes |
Hola. |
| Miguel Nazarkovski |
Hola, finalmente eres un héroe, así que estás lanzando la presentación, así que Josh nos está esperando, así que estamos a tiempo. |
| Felipe Lopes |
Sí, exactamente en cualquier momento, sí. |
| jose staunton |
Definitivamente, un tiempo, me refiero al ser. |
| |
Encantado de conocerte mi nombre es. |
| |
Josh, quiero decir que no. |
| |
Mire la grabadora, así que solo voy a responder algunas preguntas y luego, una vez que terminemos, se la pasaré a usted, apague la cámara y ustedes pueden llevársela. vamos a editar toda esta parte. |
| |
Bueno. |
| |
Aunque vale la pena grabarlo ahora, editaremos esa parte más tarde. |
| |
Así que un par de cosas. |
| |
Correcto, así que supongo. |
| |
Así que obviamente tenemos a Michael como nuestro kosky de la Pontificia Universidad Católica de Río de Janeiro, y él a López de la vieja. |
| |
Universidad Federal de Río de Janeiro, y ustedes van a ir. |
| |
Los enfoques de agua y la clasificación de Kirkland o la obtención de marcos por propiedades de textura usando jail cell 2021 dash us desk 30 MP dash 874 suena bien. |
| Felipe Lopes |
Sí. |
| Miguel Nazarkovski |
Vale, el nombre completo el nombre completo. |
| jose staunton |
Sí, el nombre completo está bien, chicos. |
| |
Solo que comprenda que esto se está grabando para usar JMP Discovery Summit Conference, estará disponible públicamente y la comunidad de usuarios de JMP da permiso para esta grabación y uso. |
| Felipe Lopes |
Sí, lo hago, sí, gracias. |
| Miguel Nazarkovski |
Bueno, bien. |
| jose staunton |
Michael estás bien. |
| |
sí, por supuesto. |
| |
sí tipo de analogía aquí. |
| |
parece que ustedes tienen ¿tienen. |
| |
Sus teléfonos se apagaron y como yo lo estoy o algo así que podría. |
| Miguel Nazarkovski |
Destruir, sí. |
| |
Cualquier cosa que pueda molestar simplemente apagaré los sonidos más antiguos y skyway recordará estos requisitos y George, por favor dímelo durante la sesión, quiero decir, después del registro de la sesión, captarás las cosas relevantes o será como el todo. |
| jose staunton |
Sí, así que seguirá adelante. No creo que vayan a hacer ninguna edición durante el proceso si, por alguna razón, hubiera algo. |
| |
catastrófico que sucedió, podemos comenzar desde el principio otra vez, pero creo que simplemente te dejarán seguir adelante, no te preocupes, sabes, hey, todos somos humanos aquí, ¿verdad? |
| |
Cometiste un error, solo trata de seguir adelante, nadie, no tiene que ser perfecto, las estadísticas correctas no son perfectas, así que tampoco es necesario, pero sí. |
| |
Adelante. |
| Felipe Lopes |
No. |
| jose staunton |
Lo lamento. |
| |
¿Está bien? Michael suena bien. |
| Miguel Nazarkovski |
sí, todo está bien, todo está bien. |
| |
Así que sí. |
| jose staunton |
lo último que acabamos de ver. |
| |
Bueno. |
| |
sí ya bueno para eso. |
| |
Muy bien, solo la barra de tareas. |
| |
Ahora voy a. |
| |
¿Tienen alguna otra pregunta o están bastante listos para presentar y. |
| |
Es. |
| Miguel Nazarkovski |
Eso si. |
| |
Yeah Yo supongo. |
| Felipe Lopes |
comparte mi pantalla Michael tú compartes tu pantalla cómo. |
| Miguel Nazarkovski |
¿Eres hermano? |
| |
Pero está bien, Josh, técnicamente está bien si compartimos nuestras pantallas uno tras otro, sí. |
| jose staunton |
sí, ya sabes que eso está bien, sí, solo. |
| |
Solo asegúrese de que obviamente sabe reenviar las diapositivas y no se está quedando demasiado atrás de las diapositivas y. |
| Miguel Nazarkovski |
si pero. |
| jose staunton |
sí absolutamente ustedes saben qué. |
| Miguel Nazarkovski |
Haremos que tengan toda la misma presentación si todas nuestras partes están juntas, así que lo hacemos uno después del otro, está bien. Gracias. |
| jose staunton |
De acuerdo, genial, y ustedes saben cómo compartir pantallas, use el zoom antes. |
| |
Sí. |
| Felipe Lopes |
Solo estoy organizando las prisas aquí. |
| |
Pon esto. |
| |
Sí. |
| jose staunton |
Como tus fondos. |
| Felipe Lopes |
Estoy compartiendo la pantalla correcta en este momento. |
| Miguel Nazarkovski |
Genial todo bien. |
| Felipe Lopes |
sí. |
| |
es la presentación correcta. |
| |
Porque me dirijo a la pantalla y, a veces, la pantalla equivocada y vomito así. |
| Miguel Nazarkovski |
Perfecto todo es perfecto. |
| jose staunton |
Eso se ve muy bien, voy a apagar mi. |
| |
Mi cámara ahora pero se la paso señores, gracias de nuevo y. |
| |
Supongo que podemos hablar al final si ellos. |
| Miguel Nazarkovski |
Hubiera sido agradable verte de nuevo Josh. |
| jose staunton |
Está bien, cuídate. |
| Felipe Lopes |
Entonces, hola a todos. Mi nombre es Felipe Lopes de Oliveira. Soy de la Universidad Federal de Rio de Janeiro y presento este trabajo con Michael |
| |
Nazarkovsky, de la Pontificia Universidad Católica también en Río de Janeiro. Y hoy presentamos el trabajo, Enfoques modernos en la clasificación de estructuras orgánicas covalentes por propiedades texturales y... por propiedades texturales utilizando el software JSL. |
| |
Entonces, los marcos orgánicos covalentes son una nueva clase de materiales compuestos solo por elementos livianos como carbono, nitrógeno, oxígeno, hidrógeno y boro. |
| |
Son orgánicos, cristalinos, nanoporosos, altamente estables en materiales reticulares. Esto significa que los enlaces químicos que forman estos materiales siguen un patrón geométrico bien definido dictado por la topología de la red. |
| |
En esta imagen, muestro un ejemplo de una red tipo HCB, que está compuesta por triángulos y varillas conectadas periódicamente, |
| |
formando una red extendida. Estos triángulos y varillas representan moléculas que pueden ser... lo que llamas bloques de construcción que están unidos covalentemente y forman una estructura extendida. |
| |
con las características geométricas de esta naturaleza. Hay muchos tipos diferentes de |
| |
geometrías de moléculas que pueden usarse como bloques de construcción y varios tipos de enlaces químicos que usamos para conectarnos a ellas. |
| |
De esta manera, es posible formar una estructura con características extremadamente específicas, como ??? que podemos controlar en el orden de ??? en las características físicas, químicas del interior del |
| |
??? que puede... que hemos definido por los bloques de construcción. Entonces, podemos pensar en los bloques de construcción como piezas de Lego, donde se pueden usar diferentes piezas para construir varias estructuras con características únicas. |
| |
En esta diapositiva, muestro diferentes topologías posibles que se pueden usar para construir estructuras orgánicas covalentes tanto bidimensionales como tridimensionales. |
| |
así como el formato que debe tener cada building blocks para construir estas redes. A la derecha, muestro un ejemplo de un modelo de estructura cristalina de COF |
| |
con un ??? red, que se utilizará para calcular las propiedades de interés en el futuro. Es posible ver que el formato forma una estructura que se compone de una capa covalente bidimensional |
| |
y estas capas se apilan en el equivalente de una geografía de la tercera dimensión. |
| |
Debido a sus increíbles capacidades de modulación, los COF se pueden utilizar para varias aplicaciones extremadamente interesantes, como catálisis heterogénea, producción de energía, almacenamiento, |
| |
semiconductores orgánicos, detección química, aislamiento térmico y captura y almacenamiento de gases, entre otros. Sin embargo, debido a la mayor modularidad que... |
| |
esta mayor modularidad también puede ser un problema, pero el desarrollo de estos materiales es realmente complejo. |
| |
Usan... generalmente se desarrollan a través de una combinación de intuición química y moléculas disponibles. |
| |
Con varios pasos de síntesis y caracterización que repitieron con materiales con alto ??? es obtenido. Este material está desarrollado... |
| |
El desarrollo de este material es muy lento, costoso y requiere de varios... 20 profesionales para realizarlo. Y a veces, todos estos esfuerzos no conducen a... |
| |
no conducen a un material con las características deseadas. Entonces, para tratar de resolver este problema, nosotros... |
| |
para intentar solucionar este problema, te proponemos un sencillo y ??? enfoque computacional para estudiar estos materiales y así intentar acelerar su desarrollo. |
| |
Inicialmente usamos una base de datos de estructuras, ahora como COF seleccionados, que ha compilado varias estructuras sintetizadas y presentadas en la literatura. |
| |
Luego usamos algunas rutinas de construcción para desarrollar valores para validar esas estructuras y asegurarnos de que todo esté bien. A continuación, usamos un DFT basado |
| |
software de cálculo de estructuras electrónicas llamado CP2K para optimizar los parámetros propios (?) en las posiciones atómicas de las estructuras. Luego usamos un software llamado ZEO++, |
| |
que realiza el análisis geométrico de los poros y el porcentaje de coincidencia entre la formación de ??? redes en su interior. |
| |
Y luego determina un conjunto de descriptores estructurales para los costos seleccionados. Este es un script de mi colega Michael en el software JMP para hacer varios análisis extremadamente interesantes. |
| |
Bueno, aquí muestro las principales estructuras que usamos. Primero tenemos un ID de estructura, que básicamente es, creo, una clasificación del nombre de la estructura. |
| |
Y siguiendo, tenemos el LIS, que significa gran esfera incluida, que nos da la información del diámetro de poro del material. |
| |
Tenemos el LFS, esfera libre grande, y LSFP, camino libre de esfera grande, con... que básicamente es lo mismo que la esfera grande incluida, pero puede codificar la información... |
| |
la diferencia en la influencia del diámetro del poro de varias funcionalizaciones dentro de los poros. También tenemos el SSA y el SSAV, que es el área específica, tanto en metros cuadrados por gramo como en metros cuadrados por unidad de volumen. |
| |
AVF, que es la fracción de volumen accesible, que es la cantidad de material formado por poros y Vp es el volumen de poros. |
| |
Y luego, tenemos el N(chan), que es el número de canales accesibles. |
| |
Aquí, en la figura, muestro una estructura con un solo canal, pero los materiales tridimensionales pueden tener más de un canal accesible. |
| |
Tenemos ChanDim, que es la dimensionalidad de los canales que pueden ser 1D, como en esta estructura, 2D y 3D. Y el tamaño del canal, que es básicamente a veces el diámetro del poro, pero para ??? las estructuras pueden ser un poco diferentes. |
| |
Y ahora, Michael hablará un poco sobre los resultados. |
| Miguel Nazarkovski |
Sí, muchas gracias. Muchas gracias, Felipe, por tan brillante introducción, así que ahora será puro análisis de datos y ciencia de datos. Así que déjame compartir mi pantalla en mi turno, ¿de acuerdo? Bien, esto es lo que voy a hacer ahora. |
| |
Perfecto. Buen material. |
| |
Bien, empecemos desde el principio de la segunda parte. Ha llegado el momento de analizar los datos de esas... de esas... tan enorme, diría yo, cantidad de estructuras obtenidas por Felipe. |
| |
Sólo un momento. Bueno, bien. Después del primero, digamos, antes de cualquier análisis, tienen que recuperar los datos y excluir algunas estructuras erróneas o irrelevantes. |
| |
y pantalla para detectar valores faltantes. No se han detectado valores faltantes durante su análisis y cribado. También hemos descubierto después de la |
| |
visualización de datos que la mayoría absoluta de las estructuras disponibles se asignan a la estructura más el 85% y el 15% en una estructura 3D. Entonces, desde el principio, ahora tenemos un conjunto de datos desequilibrados para predecir. Mayoría absoluta de los |
| |
canales se asigna a monodimensional |
| |
canales y hay más... más del 80% y casi el 17% se atribuye a 3D dimensional y un poco menos del 2% se atribuye a los canales que son bidimensionales. |
| |
Además, todos estos canales son bastante isotrópicos, lo que significa que en todas las direcciones (X, Y y Z) son iguales, lo que se refleja en el diagrama 3D tridimensional de datos. |
| |
Si distribuimos todos los datos entre las estructuras, me refiero a las estructuras 2 y 3D, podríamos ver que las monodimensionales y bidimensionales toman la mayoría absoluta. Se está tomando más del 90% para esa estructura 2D y la 3D. |
| |
3D, quiero decir 3D, canales tridimensionales. Casi más del 60% están ocupados por estructuras 3D, sin embargo, bastante... una cantidad bastante alta de |
| |
de tres también lo toman las estructuras 2D, porque tienen mucho más... un valor mucho más alto como 85%. |
| |
Para evitar eso, para evitar una situación tan desequilibrada |
| |
situación, estamos llevando a cabo algunos sin supervisión |
| |
enfoques, junto con métodos supervisados del aprendizaje automático |
| |
después de la preparación de datos. Entonces, ¿qué hacemos en la primera primera? de estos análisis, análisis multivariado para detectar colinealidad |
| |
y correlaciones entre los parámetros. Entonces, como podemos ver, los primeros tres (LIS, LFS y LSFP) están altamente correlacionados, por lo que uno puede ser sustituido por otros. Sin embargo, tal característica será muy importante, mientras que el análisis de PCA |
| |
(análisis de componentes principales). Es por eso que, para el agrupamiento jerárquico, seleccionamos solo un parámetro de ellos. |
| |
En caso de que también X, Y y Z para un tamaño de canal, nuestro isótropo significa lo mismo. Sin embargo |
| |
se tomó la decisión de mantenerlos todos, porque esto está muy relacionado con la estructura nativa del 2D... del compuesto 2D... estructuras compuestas de los COF clave. |
| |
Bueno, debido a su gran cantidad, casi 500 estructuras, decidimos seleccionar 13 conglomerados, que pueden ser más significativos y relevantes óptimos por proporción o la porción tomada de... todo el número... todo el número de conglomerados y analizar a ellos |
| |
por la media |
| |
parámetros, que se reflejan en la tabla. |
| |
Como podemos ver que, después de un número 13, hay otro enorme |
| |
reducción del agrupamiento... distancias de los agrupamientos, por eso se supuso que 13 era la cantidad óptima de agrupamientos. Y de ellos seleccionamos el cúmulo más masivo, el cúmulo #7, que ha contenido... comprende 128 |
| |
muestras de estructura 2D, por lo que se utilizará para la clasificación posterior. |
| |
A su vez, las estructuras 3D son, como yo... me atrevería a decir que ya son las mismas. Todavía hemos observado una alta correlación entre LIS, LFS y LSFP, por lo que también |
| |
las condiciones para la extracción de grupos fueron las mismas que para 2D. Sin embargo, con una menor cantidad de grupos, decidimos tomar siete. Sin embargo, de estos siete grupos, extrajimos cuatro, solo para mantener al menos |
| |
la relación entre 2D y 3D más cerca de la igualdad. Y no será igual, |
| |
sin embargo, como verá en la siguiente diapositiva, será mucho mejor, menos desequilibrado que 85 a 15. |
| |
Al comparar dos tablas sobre la variación de la variabilidad de los parámetros, podemos ver que las últimas cuatro en ambos casos son responsables de una mayor variabilidad de las estructuras dentro de cada conjunto. Fractura de volumen... fracción... lo siento, |
| |
volumen total de poros y ambos tipos de área de superficie específica, por lo que están en el mismo nivel y son responsables de una mayor variabilidad de por entre las estructuras. Así que como dije, tenemos menos... |
| |
menos diferencia entre dos estructuras al final. |
| |
Validación...la validación entrenada jugó dos conjuntos construidos y estratificados sobre la base de las estructuras obtenidas de...tomadas de los cúmulos más masivos y bien distribuidos. |
| |
Y comencemos con la regresión logística, como el paramétrico más simple... análisis paramétrico. Después de sacar lo más irrelevante |
| |
variables, dejamos solo dos volumen de poro total y fracción de volumen. |
| |
También están altamente correlacionados, como |
| |
un porcentaje muy grande de correlaciones lo son. Sin embargo, se necesitaría uno, como puede ver, lo siento, el mismo LogWorth, por lo que significa que no podemos excluir, |
| |
por ejemplo, fracción de volumen... fracción porque lo hice una vez para probar cómo funcionará y la falta de ella se volvió significativa y |
| |
la tasa de clasificación errónea en la validación obtuvo un 20%. Y en comparación con aquí, obtuvimos la validación, cero errores de clasificación para la atribución completa correcta... correcta a cada grupo |
| |
y con clasificación errónea baja... bastante baja en el conjunto de entrenamiento. El resto de las métricas... las medidas del rendimiento del modelo se discutirán más al final, así que cuando comparemos el rendimiento de todos los modelos. También sus respectivos |
| |
ecuaciones para predecir la probabilidad, predijo la estructura fue creada y dada, fue obtenida y dada... presentada en esta diapositiva. Así que vayamos más allá. Por eso, en el próximo |
| |
modelado, usamos solo estos dos parámetros... parámetros para predecir ambas estructuras (2D o 3D), por lo que patear a los vecinos más cercanos como un modelo no paramétrico les ha dado la mejor |
| |
métricas... mejor rendimiento y validación a 1K, por lo que solo un vecino es suficiente para reconocer a asignado... para reconocer la estructura. Como podemos ver en el diagrama de... |
| |
Quiero decir, cuál es el volumen total de poros y la fracción de volumen, lo siento, para que podamos ver que |
| |
para 2D tenemos una cantidad más concentrada de esta estructura. Es |
| |
muy |
| |
concentrada en un solo lugar. Sin embargo, a diferencia del 3D, están bastante repartidos. Por eso es que compararía las distancias. Aquí, en la parte derecha de la diapositiva, puede ver que las distancias más altas entre los vecinos están relacionadas con |
| |
Estructuras 3D como en validación, como en conjunto de entrenamiento. Entonces, esta es la razón por la que podemos usar también estos modelos no paramétricos... un solo modelo no paramétrico para aplicar en la atribución usando solo estos dos parámetros. |
| |
Además, el análisis discriminante cuadrático da cero errores de clasificación en la validación y menos del 5 % de errores de clasificación en el conjunto de entrenamiento, solo clasificando erróneamente ocho muestras. Así que incluso es fácil... se ve en la matriz de confusión y también en el diagrama de parcelas paralelas. |
| |
Y también el resto de... |
| |
el resto de los parámetros serán descritos... serán discutidos más adelante porque este modelo tiene algunos trucos... será... |
| |
más interesante... será... ya veremos al final. Entonces, Naive Bayes es otro modelo paramétrico pero muy simple, que también ha dado cero errores de clasificación. Así que la situación se está volviendo bastante competitiva... competitiva. |
| |
Como podemos ver aquí, ambos parámetros son casi iguales en sus efectos, por lo que |
| |
el efecto total es casi 0,88 para el volumen total de poros y para la fracción de volumen es casi ocho... 0,8, por lo que es casi igual en su contribución para su tarea de clasificación. |
| |
Y también se construyeron parcelas simples para la predicción. |
| |
No se ha demostrado la máquina de vectores de soporte, también un rendimiento brillante. Como podemos ver que de 64... perdon 46??? Se usaron vectores para construir un modelo de este tipo con cero errores de clasificación al final. Y algo |
| |
clasificación incorrecta en un entrenamiento (6 %) y, en su mayoría, el mayor porcentaje de clasificación incorrecta fue para exactamente 3D, donde estaban clasificados incorrectamente. |
| |
Bien, entonces vamos a ir más allá. Y finalmente, estamos llegando a un modelo complejo que combina enfoques no supervisados y supervisados, PCA no supervisado. En este caso, tomamos todos todos todos ellos... |
| |
parámetros continuos cuantitativos, incluidos todos, incluso aquellos que están altamente correlacionados entre sí, y construimos |
| |
diagramas y gráficos para PCA. Y como podemos ver, dos componentes principales que tiene los valores por |
| |
más de uno por la regla de Kaiser, lo que significa que en este punto, tenemos otro casi cercano a un componente, el tercer componente, no lo involucraremos en el modelo de predicción. Nos ocuparemos sólo de los dos primeros. |
| |
donde esos valores propios eran más de uno. Y lo interesante, aquí podemos ver que en el primer componente, el componente principal que puede describir casi el 66% de los casos, estos comprenden, |
| |
digamos, LIS, LFS, LSFP y canales... parámetros de canales, así que me refiero al tamaño X, Y y Z, esas direcciones. Así que esto es como, digamos, ??? canales, ??? conjunto de canales |
| |
Y el segundo, el segundo componente es bueno en su mayoría, podría describirse por ambos tipos de área de superficie específica y porosidad. Este es un parámetro de textura pura. |
| |
Entonces, como podemos ver, incluso aquí, estamos observando tal diferencia de certificación y podemos sacar conclusiones sobre la contribución de ambos parámetros en la predicción, en esta descripción del. |
| |
estructuras Entonces, después de construir la regresión logística, usando solo estos dos componentes principales, su fórmula se dará en... en nuestra publicación, en nuestro resumen posterior en el documento donde, que vamos a enviar dentro del rango... .en el ámbito de la presente cumbre. |
| |
Aquí también, obviamente, obtuvimos una tasa de clasificación errónea de cero y muy, muy baja, menos del 1% de clasificación errónea en el entrenamiento... mientras se entrenaba, que no es... que es... no era... que no se observó para los modelos anteriores. Así que ahora estamos llegando a lo más |
| |
parte interesante, la conclusión sobre nuestra |
| |
resumido |
| |
modelos Entonces, como podemos ver, resumimos por clasificación incorrecta el conjunto de entrenamiento, obviamente porque obtuvimos algunos valores allí. Podemos ver la regresión logística... los modelos de regresión |
| |
como simple y basado en PCA, aquí en la parte superior del gráfico por clasificación errónea y por análisis discriminante de validación. Sin embargo, |
| |
lo que podemos decir aquí, cosas que tenemos todos sus arreglos de clasificación errónea o precisión como un parámetro opuesto, debemos comparar otras métricas. |
| |
Entonces, podemos ver que, está bien, también tenemos otras métricas, valores más altos tan ventajosos del análisis discriminante. Pero si miramos más de cerca, |
| |
ya veremos... todos verán que hay una gran diferencia entre estas métricas, incluso entre la tasa de clasificación errónea, entre validación y entrenamiento. Entonces podemos hacer |
| |
algo, sabes que nos encontramos con algunos problemas con el sobreajuste o el ajuste insuficiente. En este caso, nos ocupamos principalmente de la falta de ajuste, ya que la invalidación de métricas es mejor que |
| |
para entrenamiento. Normalmente ocurrirá lo contrario, sí, la mayoría... la mayoría de los casos tienen que ver con el sobreajuste cuando el entrenamiento está sobreajustando los datos y obtenemos peores métricas en la validación. Aquí es completamente opuesto, así que es por eso que |
| |
estas métricas, como la entropía R cuadrada y la generalización de R cuadrada y el logaritmo medio P, y también la tasa de clasificación errónea, |
| |
se analizaron... se analizaron las diferencias para estas cuatro métricas, y es por eso que estamos seleccionando lo mejor de lo mejor. Como se mencionó anteriormente, el análisis discriminante demostró la mayor |
| |
La calidad del desempeño, sin embargo, tiene una de las mayores diferencias entre las métricas de validación en entrenamiento, en comparación con otras. Recuerda eso |
| |
en la validación, todos dieron cero, por lo que significa que podemos seleccionar casi |
| |
cada uno de ellos, con el equilibrio óptimo de otras métricas... diferencias para las métricas entre validación y entrenamiento. Entonces, lo que podemos ver aquí, por ejemplo, el más bajo... |
| |
la diferencia más baja entre la tasa de clasificación errónea y la entropía R cuadrada se atribuye a la regresión logística, combinada con PCA. |
| |
Se observan otras dos métricas, como generalizar la diferencia entre... se observa la diferencia en el R cuadrado generalizado y el log P medio |
| |
en para la máquina de vectores de soporte. Sin embargo, para Naive Bayes no podemos seleccionar este modelo porque al menos en dos |
| |
parámetros, tiene una diferencia muy grande. Entonces esta es la razón |
| |
podemos suponer que para el mejor rendimiento, para el más correcto, se recomienda la regresión logística basada en PCA, y también se recomienda opcionalmente, la máquina de vectores de soporte como otro modelo para predecir estructuras 2D y 3D. Más detalles y más |
| |
los métodos se darán en nuestro documento, que vamos a presentar dentro de dos semanas |
| |
y publicar en el sitio web de JMP Community. Así que muchas gracias, fue un gran placer dar tal presentación. Así que también agradecí mucho a mi colega David Kirmayer de la Universidad Hebrea de Jerusalén en Israel. Gracias por su atención. |
| jose staunton |
está bien. |
| |
Gracias caballero. |
