398709_zh-TW

liliconcom

使用 JSL 按結構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化學系 (DQ PUC Rio)
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。 由於構建模塊的數量巨大且多樣性，可以合成大量不同的COF。 從這個意義上說，發展能夠指導新材料合成的機器學習技術極為重要。 在這項工作中，在選擇了一組 590 個結構後，使用 DFT 和大正則蒙特卡羅方法確定了這些結構對 CO2 或 H2 的吸附和捕獲的焓。 還嘗試開發分類模型。

在本研究中，結構通過 JSL (JMP Pro 15) 中編碼的無監督（層次聚類、PCA）和監督（多重邏輯回歸、樸素貝葉斯、KNN、SVM）方法進行分類。 COF 在 2D 和 3D 上分離。 選擇最大的集群來執行有監督的機器學習，按結構（62.9% 2D 和 37.1% 3D）對數據進行分層，以避免訓練/驗證比率不成比例（80%/20%）。 已成功完成按紋理屬性進行的 2D/3D 分類，所有模型的準確性（驗證）均為 100%。 對其他指標（例如熵 R2、廣義 R2、平均 -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·斯湯頓	邁克爾.
邁克爾·納扎爾科夫斯基	嗨，喬希，請稍等一下。
	好的。
邁克爾·納扎爾科夫斯基	哦，是的，不，它運作良好。
喬什·斯湯頓	很好，我能見到你，謝謝。
邁克爾·納扎爾科夫斯基	當你。
	當我們等待菲利皮時，他說他是第一個，所以我十分鐘前才和他通話，所以你現在正在錄音，是的。
喬什·斯湯頓	是的，它開始錄製，我們將編輯這部分。
	一旦我們完成了它，並在菲利普加入後有幾個問題需要解決，然後我會將其傳遞給你，關閉我的相機和我的兒子，讓你們讓你們把它拿走，但是謝謝我們對此表示讚賞。
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。
	在這個活動中，或者實際上是三到五個，或者實際上我是如何知道這一點的，去年我在去年十月份參加了會議，印象深刻，天啊，如此好的主題被闡明，所以我決定不要失去這個機會年。
喬什·斯湯頓	是啊，太棒了。
	嗯，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。
	我們希望，在未來，我們可以讓您參加一場總是很有趣的親身發現活動。
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，而且是從睡衣開始使用。
	是的，是的，我想說，非常快，非常簡單。
	是的，大流行或我的成功是否實際上作為或作為結果之一而取得了很多成功，您現在將在本演示中看到。
	甚至開始發表有關該內容的文章，實際上目前，我想，我是作者的合著者，也可能同時有三篇文章，很清楚，我涉及 JMP。
	快點。
喬什·斯湯頓	一切都很漂亮。
	適合您的快速學習。
邁克爾·納扎爾科夫斯基	你知道，這對於統計思維當然有很大幫助。
	是的，只是是的。
	是的。
喬什·斯湯頓	我們在過去使用某種開源來進行分析之前使用過。
邁克爾·納扎爾科夫斯基	你的意思是開源。
喬什·斯湯頓	開什麼的。
	為了減少到別人的。
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，但你知道嗎。
	我的意思是克服學習中的一些困難。
	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，正如你現在所看到的，是的，所以我決定從 Python 切換到數學實驗室，與專業六路並行，以便在那裡取得進展，因為。
	Jeff 中的 Metalab 機器學習界面對於科學家來說已經足夠了。
喬什·斯湯頓	是的，是的，不，聽到這個消息真是太棒了，我很高興你已經接受了它，並且你知道自己擅長它，這真是太棒了。
邁克爾·納扎爾科夫斯基	好吧，讓我，讓我給菲利皮發短信。
	好吧，哇，發生了什麼事，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·斯湯頓	他還沒進來 不。
	奇怪的。
喬什·斯湯頓	實時。
	因此，您不必輸入任何密碼，我們點擊鏈接即可直接輸入正確的密碼。
邁克爾·納扎爾科夫斯基	好吧，我剛剛就把鏈接發給了他，但我不記得那裡是否需要密碼。
喬什·斯湯頓	你不應該有生意是的。
邁克爾·納扎爾科夫斯基	就是這樣，所以他一會兒就給我發短信。
	哦。
	哦，是的，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	我們還有一小時的時間，是的。
喬什·斯湯頓	他現在就加入。
邁克爾·納扎爾科夫斯基	哦，很好。
	是的。
費利佩·洛佩斯	你好。
邁克爾·納扎爾科夫斯基	你好，終於你是英雄了，所以你要啟動演示文稿，所以喬什就像喬什在等待我們一樣，所以我們實際上是及時的。
費利佩·洛佩斯	是的，隨時都可以。
喬什·斯湯頓	當然，一次，我指的是當時。
	很高興認識你，我的名字是。
	喬什，我的意思是我不。
	看看錄音機，我只是要回答幾個問題，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刪除所有這部分。
	好的。
	儘管現在值得錄製，但我們稍後會編輯該部分。
	有幾件事。
	對啊，我猜是這樣。
	顯然，我們有來自里約熱內盧天主教大學的邁克爾作為我們的科斯基，他是洛佩斯·德·拉維哈。
	里約熱內盧聯邦大學，你們要過去。
	柯克蘭的水方法和分類或使用監獄牢房 2021 dash us desk 30 MP dash 874 按紋理屬性獲取框架，這聽起來正確嗎？
費利佩·洛佩斯	是的。
邁克爾·納扎爾科夫斯基	好吧，全名全名。
喬什·斯湯頓	是的，全名現在可以了，你們。
	請您了解，此記錄是為了使用 JMP 發現峰會而錄製的，它將公開提供，並且 JMP 用戶社區是否授予此記錄和使用的權限。
費利佩·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·斯湯頓	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？
	你的手機有點關機了，就像我一樣或者類似的事情。
邁克爾·納扎爾科夫斯基	毀掉是啊
	任何可能打擾的事情我都會關掉較舊的最古老的聲音，天空記住這些要求，喬治請在會議期間告訴我，我的意思是在會議記錄之後，你會抓住相關的東西，否則就會像整體一樣。
喬什·斯湯頓	是的，所以它將直接進行，我認為如果出於某種原因，有什麼事情，他們不會在其中進行任何編輯。
	發生了災難性的事情，我們可以從頭開始，但我認為他們會讓你直接過去，不用擔心，你知道，嘿，我們都是人類，所以。
	你犯了一個錯誤，只是嘗試繼續前進，沒有人，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。
費利佩·洛佩斯	不。
喬什·斯湯頓	對不起。
	可以嗎邁克爾聽起來不錯。
邁克爾·納扎爾科夫斯基	是的，一切都很好，一切都很好。
	嗯是的。
喬什·斯湯頓	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問題了。
	是。
邁克爾·納扎爾科夫斯基	是的。
	是的，我猜。
費利佩·洛佩斯	共享我的屏幕 邁克爾，您如何共享您的屏幕。
邁克爾·納扎爾科夫斯基	你是兄弟嗎。
	但是好吧，喬什，從技術上來說，如果我們互相共享屏幕就可以了，是的。
喬什·斯湯頓	是的，你知道那很好，只是。
	只要確保您顯然知道轉發幻燈片並且不會落後幻燈片太遠。
邁克爾·納扎爾科夫斯基	好但是。
喬什·斯湯頓	是的，你們絕對知道什麼。
邁克爾·納扎爾科夫斯基	我們將為他們做完整相同的演示，因為我們所有的部分都在一起，所以我們先做一遍就可以了，謝謝。
喬什·斯湯頓	好吧，很酷，你們以前知道如何使用縮放來共享屏幕。
	是的。
費利佩·洛佩斯	只是在這裡設置衝刺。
	把這個。
	是的。
喬什·斯湯頓	喜歡你的背景。
費利佩·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。
費利佩·洛佩斯	是的。
	這是正確的演示。
	因為我正走向屏幕，有時會出現錯誤的屏幕並拋出異常。
邁克爾·納扎爾科夫斯基	完美一切都完美。
喬什·斯湯頓	看起來很棒，我要關掉我的了。
	現在我的相機了，但我會把它交給你們先生們，再次感謝。
	我想，如果他們的話，我們可以最後談談。
邁克爾·納扎爾科夫斯基	很高興再次見到你，喬希。
喬什·斯湯頓	好吧，保重。
費利佩·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，我將與邁克爾一起展示這項工作
	納扎爾科夫斯基，來自同樣位於里約熱內盧的天主教大學。 今天，我們展示了這項工作，即使用 JSL 軟件按紋理和...按紋理屬性對共價有機框架進行分類的現代方法。
	因此，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的幾何圖案。
	在此圖中，我展示了 HCB 型晶格的示例，它由周期性連接的三角形和桿組成，
	形成一個延伸的網絡。 這些三角形和桿代表分子，這些分子可以...您稱之為構建塊，它們通過共價鍵結合併形成擴展結構
	具有這種性質的幾何特徵。 有許多不同類型
	可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。
	這樣，就可以形成一個具有極其特定特徵的結構，例如???我們可以按 ??? 的順序控制內部的物理、化學特性
	???這可以......我們已經通過構建塊定義了。 因此，我們可以將構建塊視為樂高積木，其中不同的積木可以用來構建多個具有獨特特徵的結構。
	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，
	以及每個構建塊必須用於構建這些網絡的格式。 右邊是 COF 晶體結構模型的示例
	與一個 ???網絡，它將用於計算未來感興趣的屬性。 可以看到該格式形成了由二維共價層組成的結構
	這些層堆疊起來相當於三維地理。
	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、氣體捕獲和存儲等。 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。
	它們使用……它們通常是通過化學直覺和可用分子的結合而開發的。
	通過對具有高 ??? 的材料重複進行幾個合成和表徵步驟獲得。 這種材料的開發...
	這種材料的開發非常耗時、昂貴，需要數...20名專業人員來執行。 有時，所有這些努力並不會導致......
	不會產生具有所需特性的材料。 因此，為了嘗試解決這個問題，我們...
	為了嘗試解決這個問題，我們提出了一個簡單的 ???計算方法來研究這些材料，從而嘗試加速它們的發展。
	我們最初使用結構數據庫，現在作為策劃的 COF，它編譯了文獻中合成和呈現的幾種結構。
	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
	電子結構計算軟件 CP2K 用於優化結構原子位置的 self(?) 參數。 然後我們使用一個叫ZEO++的軟件，
	它執行孔隙的幾何分析以及 ??? 形成之間的百分比匹配他們內部的網絡。
	然後確定所選成本的一組結構描述符。 這是我的同事 Michael 在 JMP 軟件中編寫的腳本，用於進行一些非常有趣的分析。
	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，我認為這基本上是結構名稱的分類。
	接下來，我們有 LIS，它代表大包含球體，它為我們提供了材料的孔徑信息。
	我們有 LFS（大自由球體）和 LSFP（大球體自由路徑），...基本上與大包含球體相同，但可以對信息進行編碼...
	孔內幾種功能化對孔徑影響的差異。 我們還有 SSA 和 SSAV，即比面積，單位均為平方米每克，單位為平方米每體積單位。
	AVF，即可及體積分數，即材料中有多少是由孔隙形成的，Vp 是孔隙體積。
	然後，我們有 N(chan)，它是可訪問通道的數量。
	在圖中，我展示了一種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，就像在這個結構中的 2D 和 3D 一樣。 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，邁克爾將談論一些結果。
邁克爾·納扎爾科夫斯基	是的，非常感謝。 非常感謝 Felipe 的精彩介紹，所以現在將是純粹的數據分析和數據科學。 那麼請讓我輪流分享我的屏幕吧。 好吧，這就是我現在要做的。
	完美的。 好東西。
	好的，那麼我們就從第二部分的開頭開始吧。 現在是時候分析那些……這些……我想說，費利佩獲得的大量結構的數據了。
	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結構
	和屏幕來檢測缺失值。 在分析和篩選過程中未檢測到缺失值。 事後我們還發現
	數據可視化表明，絕對大多數可用結構都分配給結構，其中 85% 和 15% 全部分配為 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
	通道被分配給一維
	通道，而且還有更多...超過 80% 和近 17% 歸因於 3D 維度，只有不到 2% 歸因於二維通道。
	此外，所有這些通道都是相當各向同性的，因此這意味著它們在所有方向（X、Y 和 Z）上都是相等的，這反映在數據三維 3D 圖上。
	如果我們將所有數據分佈在結構之間，我的意思是 2 維和 3 維結構，我們可以看到單維、二維佔據絕對多數。 90%以上為2D結構和3D結構。
	3D，我的意思是3D，三維通道。 然而，幾乎超過 60% 的內容是由 3D 結構佔據的，這已經足夠了……相當高的數量
	2D 結構也採用了 3 個，因為它們具有更多……更高的值，例如 85%。
	為了避免這種情況，避免這種不平衡
	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
	數據準備好後。 那麼我們首先做什麼？？？在這些分析中，多變量分析檢測共線性
	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）高度相關，因此可以用其他三個來替代。 然而這樣的特性將會非常重要，而PCA的分析
	（主成分分析）。 這就是為什麼對於層次聚類，我們只選擇其中的一個參數。
	如果 X、Y 和 Z 也表示通道尺寸，則各向同性的含義相同。 然而
	我們決定保留所有這些，因為這與 2D 的原生結構...2D 化合物...關鍵 COF 的化合物結構高度相關。
	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 個簇，這些簇可以通過比率或從......所有數量......整個數量的簇中獲取的部分進行優化，並進行分析他們
	對於平均值
	參數，反映在表格中。
	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 被認為是最佳聚類數量。 我們從它們中選擇了最大的星團，星團 #7，其中包含......包含 128 個
	二維結構的樣本，因此將用於後續分類。
	反過來，3D 結構是，我該怎麼辦……我敢說已經是一樣的了。 我們仍然觀察到 LIS、LFS 和 LSFP 之間仍然存在高度相關性，因此這也是為什麼
	簇提取的條件與 2D 的條件相同。 然而，由於集群數量較少，我們決定採用七個。 然而，從這七個簇中，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。 而且這將是不平等的，
	然而，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，不平衡程度也更少。
	通過比較關於參數變異性變化的兩個表，我們可以看到兩種情況下的最後四個導致每組內結構的較高變異性。 體積斷裂...分數...抱歉，
	總孔體積和兩種類型的比表面積，因此它們處於同一水平，並且它們導致結構之間較高的變異性。 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...訓練有素的驗證根據從最大規模的集群中獲得的結構構建並分層，並進行分層。這些結構取自最大規模的集群並分佈良好。
	讓我們從邏輯回歸開始，作為最簡單的參數...參數分析。 去掉最不相關的之後
	變量，我們只留下總孔隙體積和體積分數兩個。
	它們也高度相關，例如
	很大比例的相關性是。 然而，正如您所看到的，抱歉，這需要大約相同的 LogWorth，所以這意味著我們不能排除，
	例如，體積分數...分數，因為我曾經做過一次來測試它如何工作，並且缺乏它變得很重要並且
	驗證誤分類率達到20%。 與這里相比，我們進行了驗證，完全正確的零錯誤分類......每個組的正確歸因
	並且訓練集中的錯誤分類率很低……相當低。 其餘的指標......模型性能的度量將在最後進行更多討論，因此當我們將比較所有模型的所有性能時。 還有他們各自的
	預測概率的方程，預測結構的創建和給出，獲得和給出......在這張幻燈片上呈現。 那麼讓我們更進一步。 這就是為什麼，在接下來的
	建模時，我們只使用這兩個參數...參數來預測兩種結構（2D 或 3D），因此將最近鄰居作為非參數模型給了它們最好的結果
	指標...在 1K 時具有最佳性能和驗證，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，總孔隙體積和體積分數，抱歉，所以我們可以看到
	對於 2D，我們有更集中的這種結構。 它是
	非常
	集中在一處。 然而，與 3D 相比，它們相當分散。 這就是為什麼它會比較距離。 在幻燈片的右側部分，您可以看到鄰居之間的最大距離與
	驗證中的 3D 結構和訓練集中的 3D 結構。 因此，這就是為什麼我們也可以使用這些非參數模型...單個非參數模型僅使用這兩個參數即可應用於歸因。
	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，僅錯誤分類了 8 個樣本。 所以它甚至很容易......在混淆矩陣和平行圖上都可以看到。
	還有其餘的...
	其餘參數將被描述...稍後將討論，因為這些模型有一些技巧...它將...
	更有趣的是……我們最終會看到。 因此，樸素貝葉斯是另一個參數化但非常簡單的模型，也實現了零錯誤分類。 所以情況變得相當有競爭力……有競爭力。
	正如我們在這裡看到的，兩個參數的效果幾乎相同，因此
	總孔隙體積的總效應幾乎為 0.88，體積分數幾乎為 8...0.8，因此這就是為什麼它們對分類任務的貢獻幾乎相等。
	並且還構建了簡單的圖來進行預測。
	支持向量機尚未被演示，也表現出色。 正如我們所看到的 64...抱歉 46 ???使用向量構建了這樣一個模型，最終實現了零錯誤分類。 還有一些
	訓練中的錯誤分類 (6%)，而且大多數情況下，最大比例的錯誤分類是針對 3D 的，它們被錯誤分類了。
	好吧，讓我們更進一步。 最後，我們得出一個結合了無監督和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，包括所有參數，甚至是那些彼此高度相關的參數，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，超過一個，所以這意味著此時，我們還有另一個幾乎接近於一個的分量，即第三個分量，我們不會將其涉及到預測模型中。 我們只涉及前兩個
	這些特徵值不止一個。 有趣的是，在這裡我們可以看到，在第一個組件中，主成分可以描述幾乎 66% 的情況，這些包括，
	比方說，LIS、LFS、LSFP 和通道...通道參數，所以我指的是尺寸 X、Y 和 Z，這些方向。 所以這就像，讓我們說，???渠道，？？？頻道設置。
	第二個，第二個成分大部分都很好，可以用比表面積和孔隙率來描述。 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，並且可以在這個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，它們的公式將在我們的出版物中給出，在我們將在範圍內提交的論文摘要中給出。 .在本次峰會的範圍內。
	顯然，在這裡，我們的錯誤分類率為零，並且訓練中的錯誤分類率非常非常低，不到 1%……而訓練時，這不是……這是……不是……沒有觀察到這一點以前的型號。 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。正如我們所看到的，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，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，我們擁有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，我們還通過其他指標獲得了更高的值，這對判別分析非常有利。 但如果我們仔細觀察的話
	我們會看到......每個人都會看到這些指標之間存在巨大差異，甚至在錯誤分類率之間、驗證和訓練之間也存在巨大差異。 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麻煩。 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，大多數情況都是在訓練過度擬合數據並且我們在驗證中獲得更差的指標時處理過度擬合的情況。 這裡完全相反，所以這就是為什麼
	這些指標，如熵 R 平方、廣義 R 平方和平均 log P，以及錯誤分類率，
	進行了分析...對這四個指標的差異進行了分析，這就是我們選擇最佳指標的原因。 如前所述，判別分析表明最高
	然而，與其他指標相比，性能質量是訓練驗證指標之間最大的差異之一。 請記住
	在驗證時，它們都給出了零，所以這意味著我們可以選擇幾乎
	其中每個指標都具有其他指標的最佳平衡...驗證和訓練之間指標的差異。 所以我們在這裡可以看到，例如，最低的......
	誤分類率和熵 R 平方之間的最小差異歸因於邏輯回歸與 PCA 的結合。
	觀察到其他兩個指標，例如廣義 R 平方和平均 log 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
	參數上，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、最正確的結果，建議使用基於 PCA 的邏輯回歸，並且還可以選擇建議使用支持向量機作為預測 2D 和 3D 結構的另一種模型。 更多細節以及更多
	方法將在我們的論文中給出，我們將在兩週內提交
	並發佈在JMP社區網站上。 非常感謝你們，很高興能做這樣的演講。 因此，我也高度感謝我來自以色列耶路撒冷希伯來大學的同事大衛·科邁爾（David Kirmayer）。 感謝您的關注。
喬什·斯湯頓	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