398709_zh-TW

liliconcom

使用 JSL 按紋理特性對共價有機框架進行分類的現代方法 (2021-US-30MP-874)

級別：中級

 

Michael Nazarkovsky，里約熱內盧天主教大學（DQ PUC Rio）化學系
Felipe Lopes de Oliveira，里約熱內盧聯邦大學化學研究所 (IQ UFRJ)

 

共價有機框架 (COF) 是一類新興的結晶有機納米多孔材料，通過一個或多個結構單元的共價鍵合以自下而上的方法設計。 由於構建塊的數量和多樣性，可以合成大量不同的 COF。 從這個意義上說，能夠指導新材料合成的機器學習技術的發展是極其重要的。 在這項工作中，在選擇了一組 590 個結構後，使用 DFT 和 Grand-Canonical Monte Carlo 方法來確定這些結構對 CO2 或 H2 的吸附和捕獲焓。 還嘗試開發分類模型。

在本研究中，通過 JSL (JMP Pro 15) 編碼的無監督（分層聚類，PCA）和監督（多重邏輯回歸、樸素貝葉斯、KNN、SVM）方法對結構進行分類。 COF 在 2D 和 3D 中分離。 選擇最大的集群來執行監督機器學習，按結構（62.9% 2D 和 37.1% 3D）對數據進行分層，以避免訓練/驗證比率（80%/20%）不成比例。 2D/3D 紋理屬性分類成功完成，所有模型的準確率均為 100%（驗證）。 其他指標，例如熵 R2、廣義 R2、Mean -log(p) 進行了比較和討論，以選擇最佳模型。

 

 

自動生成的成績單...

 

揚聲器	成績單
喬什·斯丹頓	邁克爾。
邁克爾·納扎爾科夫斯基	嗨，喬希，請稍等。
	好的。
邁克爾·納扎爾科夫斯基	哦，不，不，它運行良好。
喬什·斯丹頓	很好，我能看到你，謝謝。
邁克爾·納扎爾科夫斯基	當你。
	在我們等待 phillippi 的時候，他說他是第一個，所以我 10 分鐘前才和他談過，所以你現在正在錄音，是的。
喬什·斯丹頓	是的，它開始錄製，我們將編輯這部分。
	一旦我們通過它並有幾個問題需要在菲利普加入後解決，然後我會將它傳遞給你們，關閉我的相機和我的兒子，讓你們讓你們把它帶走，但謝謝你們因為這樣做，我們很感激。
邁克爾·納扎爾科夫斯基	哦，非常感謝，真的，當他們收到這樣一個關於可能參加的機會的消息時，對我來說是一個很大的驚喜。
	在這次活動中，或者實際上是三到五次，或者實際上我是怎麼知道的，去年我在去年 10 月參加了會議，我的上帝給我留下了深刻的印象，闡明瞭如此好的主題，所以我決定不失去這個機會年。
喬什·斯丹頓	是的很棒很棒。
	好吧，你知道，不幸的是，你知道今年將是面對面的，但你知道，我們仍然有一些很棒的內容和。
	我們希望，在未來，我們可以讓您參加一個總是很有趣的親自發現活動。
邁克爾·納扎爾科夫斯基	哦，是的，希望如此。
	我從去年年初開始使用果醬，從睡衣開始。
	是的，是的，非常快，非常簡單，我會說。
	是的，如果大流行或我成功了很多，實際上或由於其中一個結果，您現在將在本演示文稿中看到。
	甚至開始發表這方面的文章，實際上，我想，我是作者的合著者，也可能同時發表三篇文章，很清楚，我涉及 JMP。
	來吧。
喬什·斯丹頓	一切美好的東西。
	適合您的快速學習。
邁克爾·納扎爾科夫斯基	只是你知道它對統計思維有很大幫助。
	是的只是是的。
	是的。
喬什·斯丹頓	我們在使用之前使用的只是一種開源來做你過去或之前的分析。
邁克爾·納扎爾科夫斯基	你的意思是開源。
喬什·斯丹頓	在什麼的。
	把它減少到別人的。
邁克爾·納扎爾科夫斯基	啊，不，不，不，不，不，你知道我開始學習 Python 但你知道什麼。
	我的意思是克服一些學習上的困難。
	所以我是化學家和物理化學家，實際上將所有這些東西用於化學材料科學，正如你現在會看到的那樣，所以我決定從 Python 轉向數學實驗室，同時轉向專業六路，以便在那裡取得進展。
	Jeff 中用於 metalab 的機器學習界面對於科學家來說綽綽有餘。
喬什·斯丹頓	是的，是的，不，很高興聽到我很高興你已經接受了它並且你知道它很棒，這很棒。
邁克爾·納扎爾科夫斯基	好吧，讓我，讓我給 phillippi 發短信。
	好吧，哇，這是怎麼回事，怎麼回事，他遇到了一些互聯網問題，就像一小時前一樣。
	好吧好吧。
	他正試圖進入。
喬什·斯丹頓	他還沒有。
	奇怪的。
喬什·斯丹頓	實時。
	所以你不必輸入任何密碼，我們點擊鏈接，直接輸入正確。
邁克爾·納扎爾科夫斯基	好吧，我剛剛給他發送了鏈接，但我不記得是否需要密碼。
喬什·斯丹頓	你不應該做生意是的。
邁克爾·納扎爾科夫斯基	就是這樣，所以他馬上就給我發了短信。
	哦。
	哦，是的，所以問題不是現在再次遇到縮放和互聯網問題。
	哦。
邁克爾·納扎爾科夫斯基	我們有一個小時，是的。
喬什·斯丹頓	他現在就加入。
邁克爾·納扎爾科夫斯基	不錯哦。
	是的。
菲利普·洛佩斯	你好。
邁克爾·納扎爾科夫斯基	你好，你終於成為英雄了，所以你正在啟動演示，所以 josh 就像 josh 正在等待我們一樣，所以我們實際上是及時的。
菲利普·洛佩斯	是的，隨時都可以。
喬什·斯丹頓	當然，時間，我的意思是。
	很高興認識你，我的名字是。
	josh 我的意思是我沒有。
	看看錄音機，所以我只是我要回答幾個問題，然後，一旦我們解決了這個問題，我就會把它交給你們，關掉我的相機，你們可以把它拿走我們將編輯掉所有這部分。
	好的。
	儘管現在值得記錄，但我們稍後會編輯該部分。
	所以有幾件事。
	是的，所以我猜。
	很明顯，我們有來自里約熱內盧天主教大學的 Michael 作為我們的 kosky，他是 Lopez de la vieja。
	里約熱內盧聯邦大學，你們要過去了。
	使用監獄牢房 2021 dash us desk 30 MP dash 874 通過紋理屬性對 kirkland 進行水處理和分類或獲取框架聽起來是正確的。
菲利普·洛佩斯	是的。
邁克爾·納扎爾科夫斯基	好吧，全名全稱。
喬什·斯丹頓	是的，現在你們的全名沒問題。
	只是您知道這是為使用 JMP 發現峰會會議而錄製的，它將公開提供，並且 JMP 用戶社區您是否授予此錄製和使用的許可。
菲利普·洛佩斯	是的，我願意，是的，謝謝。
邁克爾·納扎爾科夫斯基	好的。
喬什·斯丹頓	邁克爾你很好。
	嗯，當然咯。
	是的，這裡有一個類比。
	聽起來你們有嗎？
	你的手機有點關機，就像我一樣或任何類似的東西。
邁克爾·納扎爾科夫斯基	摧毀是的。
	任何可能打擾我的東西我都會關掉舊的最古老的聲音，skyway 記住這些要求，George 請在會議期間告訴我我的意思是在會議記錄之後，你會聽到相關的東西，或者它會像整體一樣。
喬什·斯丹頓	是的，所以它會直接通過我認為如果出於某種原因，他們不會在其中進行任何編輯。
	災難性的發生了，我們可以從頭開始，但我認為他們會讓你直接過去不要擔心你知道嘿，我們都是人類。
	你犯了一個錯誤，只是試著繼續堅持下去，沒有人的，它不一定是完美的，正確的統計數據並不完美，所以你也不需要，但是是的。
	前進。
菲利普·洛佩斯	不。
喬什·斯丹頓	抱歉。
	可以嗎？ Michael 聽起來不錯。
邁克爾·納扎爾科夫斯基	是的，一切都很好，一切都很好。
	是的。
喬什·斯丹頓	我們剛剛看到的最後一件事。
	好的。
	是的已經很好了。
	好吧，只是任務欄。
	現在我要去。
	你們還有其他問題嗎，或者你們已經準備好提出來了。
	是。
邁克爾·納扎爾科夫斯基	是的。
	是的，我猜。
菲利普·洛佩斯	分享我的屏幕 Michael 你分享你的屏幕如何。
邁克爾·納扎爾科夫斯基	你是兄弟嗎。
	但是好吧，從技術上講，如果我們彼此共享屏幕就可以了，是的。
喬什·斯丹頓	是的，你知道那很好，是的。
	只需確保您顯然知道轉發幻燈片並且不會太落後於幻燈片。
邁克爾·納扎爾科夫斯基	好但是。
喬什·斯丹頓	是的，你們絕對知道什麼。
邁克爾·納扎爾科夫斯基	我們會讓他們進行完全相同的演示，因為我們所有的部分都在一起，所以我們一個接一個地做，這很好，謝謝。
喬什·斯丹頓	好吧，很酷，你們以前知道如何使用縮放來共享屏幕。
	是的。
菲利普·洛佩斯	只是在這裡設置衝刺。
	把這個。
	是的。
喬什·斯丹頓	喜歡你的背景。
菲利普·洛佩斯	我現在共享正確的屏幕。
邁克爾·納扎爾科夫斯基	太好了，一切都很好。
菲利普·洛佩斯	是的。
	這是演示文稿的權利。
	因為我正前往屏幕，有時會出現錯誤的屏幕並因此拋出。
邁克爾·納扎爾科夫斯基	完美一切都是完美的。
喬什·斯丹頓	看起來很棒，我要關掉我的。
	現在我的相機，但我會把它傳給你們，先生們，再次感謝。
	我想，如果他們，我們可以在最後談談。
邁克爾·納扎爾科夫斯基	很高興再次見到你，喬希。
喬什·斯丹頓	好吧，保重。
菲利普·洛佩斯	那麼，大家好。 我叫費利佩·洛佩斯·德·奧利維拉。 我來自里約熱內盧聯邦大學，我正在與邁克爾一起展示這項工作
	Nazarkovsky，來自同樣位於里約熱內盧的羅馬天主教大學。 今天，我們展示了使用 JSL 軟件按紋理和...按紋理特性對共價有機框架進行分類的現代方法。
	所以共價有機骨架是一類僅由碳、氮、氧、氫、硼等輕元素組成的新型材料。
	它們是有機的、結晶的、納米多孔的，在網狀材料中高度穩定。 這意味著形成這些材料的化學鍵遵循由網絡拓撲決定的明確定義的幾何圖案。
	在這張圖片中，我展示了一個 HCB 型晶格的例子，它由周期性連接的三角形和桿組成，
	形成一個擴展的網絡。 這些三角形和桿代表分子，它們可以……您稱之為構建塊，它們共價鍵合併形成擴展結構
	具有這種性質的幾何特徵。 有許多不同類型的
	可以用作構建塊的分子幾何形狀以及我們用來連接它們的幾種類型的化學鍵。
	通過這種方式，可以形成一個具有極其特殊特徵的結構，例如???我們可以按順序控制？？？在內部的物理，化學特性
	？？？這可以......我們已經由構建塊定義。 因此，我們可以將積木視為樂高積木，其中不同的積木可用於構建具有獨特特徵的多個結構。
	在這張幻燈片中，我展示了可用於構建二維和三維共價有機框架的不同可能的拓撲結構，
	以及每個構建塊必須用於構建這些網絡的格式。 在右側，我展示了 COF 晶體結構模型的示例
	帶著？？？網絡，它將用於計算未來感興趣的屬性。 可以看到格式形成了一個由二維共價層組成的結構
	這些層堆疊在相當於一個地理第三維。
	由於其令人難以置信的調製能力，COF 可用於多種非常有趣的應用，例如多相催化、能源生產、存儲、
	有機半導體、化學傳感、隔熱、氣體捕獲和儲存等。 然而，由於更大的模塊化...
	這種更大的模塊化也可能是一個問題，但這些材料的開發確實很複雜。
	他們使用……它們通常是通過化學直覺和可用分子的組合開發的。
	用高 ??? 的材料重複幾個合成和表徵步驟。獲得。 這種材料開發...
	這種材料的開發非常耗時、昂貴，並且需要幾...20 名專業人員來執行。 有時，所有這些努力都不會導致......
	不會導致材料具有所需特性。 所以為了解決這個問題，我們...
	為了嘗試解決這個問題，我們提出了一個簡單的？？？研究這些材料的計算方法，從而試圖加速它們的發展。
	我們最初使用結構數據庫，現在作為精選的 COF，它已經編譯了幾種合成並在文獻中呈現的結構。
	然後我們使用一些構建例程來開發值來驗證這些結構並確保一切正常。 接下來我們使用基於 DFT 的
	稱為 CP2K 的電子結構計算軟件可優化結構原子位置的自 (?) 參數。 然後我們使用一個叫做ZEO++的軟件，
	其執行孔隙的幾何分析和形成之間的百分比匹配???他們內部的網絡。
	然後為選定的成本確定一組結構描述符。 這是我的同事 Michael 在 JMP 軟件中編寫的腳本，用於進行幾個非常有趣的分析。
	好吧，我在這裡展示了我們使用的主要結構。 首先我們有一個結構ID，我認為基本上就是結構名稱的分類。
	接下來，我們有 LIS，它代表大包含球，它為我們提供了材料孔徑的信息。
	我們有 LFS，大自由球體，和 LSFP，大球體自由路徑，與...基本上與大包含球體相同，但可以編碼信息...
	孔內幾種功能化對孔徑影響的差異。 我們還有 SSA 和 SSAV，即特定面積，均以平方米每克每體積單位為單位。
	AVF，即可達體積分數，即有多少材料是由孔隙形成的，而 Vp 是孔隙體積。
	然後，我們有 N(chan)，它是可訪問頻道的數量。
	在圖中，我展示了一個只有一個通道的結構，但三維材料可以有多個可訪問的通道。
	我們有 ChanDim，它是可以是 1D 的通道的維度，就像在這個結構中，2D 和 3D。 還有通道尺寸，有時基本上是孔徑，但對於？？？結構可能略有不同。
	現在，邁克爾將談談一些結果。
邁克爾·納扎爾科夫斯基	是的，非常感謝。 非常感謝 Felipe 如此精彩的介紹，所以現在將是純數據分析和數據科學。 所以請讓我輪到我分享我的屏幕。 好的，這就是我現在要做的。
	完美的。 好東西。
	好的，那麼讓我們從第二部分的開頭開始。 是時候分析那些……其中……如此龐大的數據，我想說，費利佩獲得的結構數量。
	一會兒。 好的。 在第一個之後，比方說，在任何分析之前，他們必須檢索數據並排除一些錯誤的結構或一些不相關的
	並篩選以檢測缺失值。 在他們的分析和篩選過程中沒有檢測到缺失值。 之後我們也發現
	數據可視化表明，絕大多數可用結構被分配給結構，其中 85% 和 15% 全部分配給 3D 結構。 所以從一開始，我們就有不平衡的數據集需要預測。 絕對多數
	通道被分配到一維
	渠道，還有更多……超過 80% 和近 17% 歸因於 3D 維度，只有不到 2% 歸因於二維渠道。
	此外，所有這些通道都是相當各向同性的，因此這意味著在所有方向（X、Y 和 Z）上它們都是相等的，這反映在數據三維 3D 圖上。
	如果我們在結構之間分配所有數據，我的意思是 2D 和 3D 結構，我們可以看到一維、二維佔據絕對多數。 超過 90% 的 2D 結構和 3D 正在採用。
	3D，我的意思是 3D，三維通道。 幾乎超過 60% 被 3D 結構佔用，但是，相當多......相當多的
	3 中的 3 也被 2D 結構採用，因為只是它們有更多......更高的值，如 85%。
	為了避免這種情況，為了避免這種不平衡
	在這種情況下，我們正在進行一些無人監督的
	方法，以及機器學習的監督方法
	數據準備好之後。 那麼我們首先做什麼呢？？？在這些分析中，多變量分析以檢測共線性
	以及參數之間的相關性。 因此，正如我們所看到的，前三個（LIS、LFS 和 LSFP）是高度相關的，所以一個可以被其他的替代。 然而，這樣的特性將是非常重要的，而 PCA 的分析
	（主成分分析）。 這就是為什麼對於層次聚類，我們只選擇了其中的一個參數。
	對於通道大小的 X、Y 和 Z，我們的各向同性意味著相同。 然而
	決定保留所有這些，因為這與 2D 的原始結構高度相關……2D 化合物的……關鍵 COF 的化合物結構。
	好吧，由於它們的數量很大，幾乎有 500 個結構，我們決定選擇 13 個集群，這些集群可以通過比率或從......所有數量......整個集群數量中提取的部分來進行更重要和相關的優化並進行分析他們
	對於平均值
	參數，反映在表上。
	我們可以看到，在數字 13 之後，還有一個巨大的
	減少聚類...聚類距離，所以這就是為什麼 13，它被認為是最佳的聚類數量。 從它們中我們選擇了最大規模的集群，集群#7，其中包含......包括 128
	2D 結構的樣本，因此將用於以後的分類。
	反過來，3D結構是，我怎麼會......我敢說已經是一樣的。 我們仍然觀察到 LIS、LFS 和 LSFP 之間的相關性仍然很高，所以這也是為什麼
	聚類提取的條件與 2D 相同。 然而，集群數量較少，就像我們決定採取七個。 但是從這七個集群中，我們提取了四個，只是為了至少保留
	2D 和 3D 之間的比率更接近相等。 它不會相等，
	但是，正如您將在下一張幻燈片中看到的那樣，它會比 85 到 15 好得多，不平衡程度更低。
	通過比較兩個關於參數變異性變化的表格，我們可以看到，這兩種情況下的最後四個表對每組中結構的更高變異性負責。 體積斷裂...分數...對不起，
	總孔體積和兩種類型的比表面積，因此它們處於同一水平，並且它們負責結構之間更高的變異性。 所以正如我所說，我們得到的更少......
	最終兩種結構之間的差異較小。
	驗證...經過訓練的驗證在從...中獲得的結構的基礎上構建並分層了兩組，這些結構來自...取自最大規模的集群並且分佈良好。
	讓我們從邏輯回歸開始，作為最簡單的參數...參數分析。 取出最不相關的後
	變量，我們只留下兩個總孔體積和體積分數。
	它們也高度相關，例如
	很大比例的相關性是。 然而，正如你所看到的，它需要一個關於，對不起，同樣的 LogWorth，所以這意味著我們不能排除，
	例如，體積分數...分數因為我做過一次來測試它是如何工作的，並且它的缺乏變得很重要並且
	驗證中的錯誤分類率為 20%。 與這里相比，我們進行了驗證，完全正確的零錯誤分類......對每個組的正確歸因
	並且在訓練集中具有低...非常低的錯誤分類。 其餘的指標......模型性能的度量將在最後進行更多討論，因此我們將比較所有模型的所有性能。 還有他們各自的
	預測概率的方程，預測結構的創建和給定，獲得和給定......在這張幻燈片上呈現。 所以讓我們走得更遠。 這就是為什麼，在接下來的
	建模，我們只使用這兩個參數...參數來預測兩種結構（2D 或 3D），因此將最近鄰作為非參數模型踢給了他們最好的
	指標...在 1K 時的最佳性能和驗證，因此只有一個鄰居就足以識別分配...識別結構。 從圖中我們可以看出...
	我的意思是，總孔體積和體積分數，對不起，所以我們可以看到
	對於 2D，我們有更多集中的這種結構。 它是
	非常
	集中在一處。 然而，與 3D 相比，它們的分佈相當廣泛。 所以這就是為什麼它會比較距離。 在幻燈片的右側，您可以看到鄰居之間的最大距離與
	3D 結構在驗證中，在訓練集中。 所以這就是為什麼我們也可以使用這些非參數模型......一個單一的非參數模型僅使用這兩個參數就可以應用於歸因。
	此外，二次判別分析在驗證中給出了零錯誤分類，在訓練集中給出了不到 5% 的錯誤分類，僅僅錯誤分類了八個樣本。 所以它甚至很容易......被視為在混淆矩陣和平行圖上。
	還有其餘的...
	其餘的參數將被描述......稍後將討論，因為這些模型有一些技巧......它會......
	更有趣……會……我們會看到最後。 所以樸素貝葉斯是另一個參數化但非常簡單的模型，也給出了零錯誤分類。 所以情況變得相當有競爭力……競爭。
	正如我們在這裡看到的，這兩個參數的效果幾乎相等，所以
	總孔隙體積的總影響幾乎為 0.88，而體積分數的總影響幾乎為 8...0.8，所以這就是為什麼它們對分類任務的貢獻幾乎相等。
	並且還為預測構建了簡單的圖。
	支持向量機沒有被展示，同樣表現出色。 正如我們所看到的 64...對不起 46 ???向量被用來構建這樣一個最終零錯誤分類的模型。 還有一些
	訓練中的錯誤分類 (6%)，並且大多數情況下，錯誤分類的最大百分比是針對 3D 的，因為它們被錯誤分類了。
	好的，讓我們更進一步。 最後，我們將得到一個結合了無監督和有監督方法的複雜模型，即無監督 PCA。 在這種情況下，我們把所有的都拿走了......
	定量連續參數，包括所有的，甚至那些相互高度相關的參數，我們建立了
	PCA 的圖表和繪圖。 正如我們所看到的，兩個主要組件的值分別為
	根據凱撒規則多於一個，所以這意味著此時，我們有另一個幾乎接近一個組件，第三個組件，我們不會將其納入預測模型。 我們將只涉及前兩個
	這些特徵值大於一。 有趣的是，在這裡我們可以看到，在第一個分量中，主分量可以描述幾乎 66% 的情況，這些包括，
	比方說，LIS、LFS、LSFP 和通道...通道參數，所以我的意思是尺寸 X、Y 和 Z，這些方向。 所以這就像，讓我們說，？？？渠道，？？？頻道集。
	第二個，第二個成分大多是好的，可以用比表面積和孔隙率兩種類型來描述。 這是一個純紋理參數。
	因此，正如我們所看到的，即使在這裡，我們也觀察到了這種認證差異，並且可以在此描述中得出關於兩個參數對預測的貢獻的結論。
	結構。因此，在我們構建邏輯回歸之後，僅使用這兩個主成分，它們的公式將在......在我們的出版物中，在我們的摘要中，然後在論文中給出，我們將在該範圍內提交...... .在本次峰會的範圍內。
	在這裡，很明顯，我們的錯誤分類率為零，並且在訓練中的錯誤分類率非常非常低，不到 1%……而在訓練中，這不是……這是……不是……以前的型號。 所以現在我們來到了最
	有趣的部分，關於我們的結論
	總結
	楷模。所以我們可以看到，我們通過錯誤分類訓練集來總結，顯然是因為我們在那裡得到了一些值。 我們可以看到邏輯回歸...回歸模型
	就像簡單的和基於 PCA 的一樣，這里通過錯誤分類和驗證判別分析位於圖表的頂部。 然而，
	我們在這裡可以說的是，我們將所有錯誤分類數組或準確性作為參數的對立面，我們應該比較其他指標。
	所以我們可以看到，好吧，我們也有其他指標，更高的值對判別分析非常有利。 但如果我們仔細觀察，
	我們會看到……每個人都會看到這些指標之間存在巨大差異，甚至錯誤分類率、驗證和訓練之間也存在差異。 所以我們可以使
	有些事情，你知道我們遇到了一些過擬合或欠擬合的問題。 在這種情況下，我們主要處理欠擬合，因為指標失效比
	為了訓練。 通常會發生相反的情況，是的，大多數......當訓練過度擬合數據並且我們在驗證中獲得更差的指標時，大多數情況都會處理過度擬合。 這裡完全相反，所以這就是為什麼
	這些指標，例如熵 R 平方和概括 R 平方和平均對數 P，以及錯誤分類率，
	分析了...分析了這四個指標的差異，這就是我們選擇最好的原因。 如前所述，判別分析表明最高
	然而，與其他指標相比，它在訓練中的驗證指標之間存在最大差異之一。 請記住
	在驗證時，他們都給了零，所以這意味著我們幾乎可以選擇
	它們中的每一個，以及其他指標的最佳平衡......驗證和培訓之間的指標差異。 所以我們在這裡可以看到，例如，最低的......
	誤分類率和熵 R 平方之間的最低差異歸因於邏輯回歸，結合 PCA。
	其他兩個指標，如廣義 R 平方和平均對數 P 之間的差異。
	用於支持向量機。 然而，對於樸素貝葉斯，我們不能選擇這個模型，因為至少在兩個
	參數，差別非常大。 所以這就是為什麼
	我們可以假設，為了獲得最佳性能，為了最正確，推薦基於 PCA 的邏輯回歸，也可選地推薦支持向量機作為另一種預測 2D 和 3D 結構的模型。 更多細節和更多
	方法將在我們的論文中給出，我們將在兩週內提交
	並在 JMP 社區網站上發布。 所以非常感謝你，很高興能做這樣的演講。 因此，我也非常感謝我來自以色列耶路撒冷希伯來大學的同事 David Kirmayer。 感謝您的關注。
喬什·斯丹頓	好吧。
	謝謝你們，先生們。

數據訪問和操作數據探索數據可視化JSL 應用程序開發統計和建模