| Conférencier |
Transcription |
| Josh Staunton |
Michael. |
| Michael Nazarkovsky |
Salut Josh, juste un instant. |
| |
D'accord. |
| Michael Nazarkovsky |
Oh oui, non non, ça fonctionne bien. |
| Josh Staunton |
C'est bien que je puisse vous voir, merci. |
| Michael Nazarkovsky |
Pendant que vous. |
| |
Pendant qu'on attend Philippi, il dit qu'il est le premier, alors je viens de lui parler il y a 10 minutes, donc tu enregistres en ce moment, oui. |
| Josh Staunton |
Oui, l'enregistrement commence, on va juste couper cette partie au montage. |
| |
Une fois qu'on aura passé en revue tout ça et qu'il nous restera quelques questions à aborder une fois que Philippe nous aura rejoints, je vous passerai la main, j'éteindrai ma caméra et mon fils, et je vous laisserai prendre le relais. Mais merci beaucoup de faire ça, on apprécie vraiment. |
| Michael Nazarkovsky |
Oh, merci beaucoup, vraiment, ce fut une grande surprise pour moi lorsqu'ils ont reçu un tel message concernant la possibilité de participer. |
| |
Lors de cet événement, ou plutôt, il s'agit de trois à cinq sessions, ou en fait, c'est comme ça que j'en ai eu connaissance : l'année dernière, j'ai assisté à la session d'octobre et j'ai été impressionné par la qualité des sujets abordés. J'ai donc décidé de ne pas rater cette opportunité cette année. |
| Josh Staunton |
Ouais, super, génial. |
| |
Bon, vous savez, malheureusement, cette année ce sera en présentiel, mais vous savez, nous avons quand même du super contenu et… |
| |
Nous espérons pouvoir vous emmener prochainement à l'un de nos événements de découverte en présentiel, qui sont toujours très amusants. |
| Michael Nazarkovsky |
Oh oui, j'espère bien. |
| |
J'ai commencé à utiliser de la confiture dès le début de l'année dernière, et juste depuis le début des pyjamas. |
| |
Oui oui, donc assez rapide, très simple, je dirais. |
| |
Oui, et la pandémie, ou plutôt mon succès, ont-ils eu un impact considérable, comme vous le verrez dès maintenant dans cette présentation ? |
| |
Et j'ai même commencé à publier à ce sujet et, en fait, à l'heure actuelle, je pense être co-auteur et avoir peut-être trois articles en parallèle, bien conscient que je suis impliqué dans JMP. |
| |
Allez. |
| Josh Staunton |
Tout ce qui est joli. |
| |
Un apprentissage rapide, rien que pour vous. |
| Michael Nazarkovsky |
Vous savez, cela aide beaucoup, bien sûr, pour la pensée statistique. |
| |
Oui, tout simplement oui. |
| |
Ouais. |
| Josh Staunton |
Nous utilisions auparavant des logiciels libres pour effectuer nos analyses par le passé. |
| Michael Nazarkovsky |
Vous voulez dire logiciel libre ? |
| Josh Staunton |
Ou quelque chose comme ça. |
| |
Pour le réduire à celui de quelqu'un d'autre. |
| Michael Nazarkovsky |
Ah non, non, non, non, non, tu sais, j'ai commencé à apprendre Python mais tu sais quoi. |
| |
Je veux dire, surmonter certaines difficultés d'apprentissage. |
| |
Je suis donc chimiste et physico-chimiste, et j'utilise actuellement toutes ces compétences pour la chimie et la science des matériaux, comme vous allez le voir. J'ai donc décidé de passer de Python à MathLab en parallèle de Pro6Road afin de progresser dans ce domaine. |
| |
L'interface d'apprentissage automatique de Metalab dans Jeff est largement suffisante pour les scientifiques. |
| Josh Staunton |
Oui, oui, c'est formidable d'entendre ça. Je suis content que tu l'aies adopté et que tu excelles avec, c'est génial. |
| Michael Nazarkovsky |
Bon, laissez-moi, laissez-moi envoyer un SMS à Phillippi. |
| |
Oh là là, qu'est-ce qui se passe ? Il a rencontré des problèmes de connexion Internet il y a environ une heure. |
| |
D'accord, d'accord. |
| |
Il essaie d'entrer. |
| Josh Staunton |
Il n'est pas encore arrivé, non. |
| |
étrange. |
| Josh Staunton |
en temps réel. |
| |
Vous n'aviez donc pas besoin de saisir de mot de passe, il suffisait de cliquer sur le lien pour accéder directement à l'interface, c'est parfait. |
| Michael Nazarkovsky |
Eh bien, je lui ai envoyé le lien comme ça, mais je ne me souviens plus s'il faut un mot de passe. |
| Josh Staunton |
Vous ne devriez pas avoir d'affaires, ouais. |
| Michael Nazarkovsky |
Voilà le truc, il est en train de m'envoyer un texto dans un instant. |
| |
Oh. |
| |
Ah oui, donc le problème n'est pas tant la résolution Zoom qui pose à nouveau problème, mais plutôt la connexion Internet actuelle. |
| |
Oh. |
| Michael Nazarkovsky |
On a une heure, ouais. |
| Josh Staunton |
Il nous rejoint en ce moment même. |
| Michael Nazarkovsky |
Oh, bien. |
| |
Oui. |
| Felipe Lopes |
Bonjour. |
| Michael Nazarkovsky |
Bonjour, enfin tu es un héros, alors tu lances la présentation, Josh nous attend, donc nous sommes à l'heure en fait. |
| Felipe Lopes |
Oui, exactement n'importe quand. |
| Josh Staunton |
Certainement, à un moment donné, je veux dire le moment où ce sera. |
| |
Enchanté(e), je m'appelle... |
| |
Josh, je veux dire, je ne le fais pas. |
| |
Vous voyez l'enregistreur ? Je vais juste poser quelques questions, et une fois que ce sera fait, je vous passerai la parole. Éteignez ma caméra et vous pourrez la récupérer. On va couper toute cette partie au montage. |
| |
D'accord. |
| |
Même si ça vaut la peine d'enregistrer ça maintenant, on coupera cette partie plus tard. |
| |
Donc, quelques petites choses. |
| |
Oui, je suppose. |
| |
Nous avons donc évidemment Michael comme notre kosky de l'Université pontificale catholique de Rio de Janeiro, et lui Lopez de la vieja. |
| |
L'Université fédérale de Rio de Janeiro, et vous allez y aller. |
| |
Approches de l'eau et classification de Kirkland ou obtention de cadres par propriétés texturales à l'aide de la cellule de prison 2021 dash us desk 30 MP dash 874, cela vous semble-t-il correct ? |
| Felipe Lopes |
Oui. |
| Michael Nazarkovsky |
D'accord, le nom complet, le nom complet. |
| Josh Staunton |
Oui, le nom complet, d'accord maintenant ? |
| |
Veuillez noter que cet enregistrement est destiné à la conférence JMP Discovery Summit, qu'il sera accessible au public et que la communauté des utilisateurs de JMP autorise son utilisation. |
| Felipe Lopes |
Oui, je le fais, oui, merci. |
| Michael Nazarkovsky |
D'accord, bien. |
| Josh Staunton |
Michael, tu vas bien. |
| |
Oui, bien sûr. |
| |
Oui, il y a une sorte d'analogie ici. |
| |
On dirait que vous en avez. |
| |
Vos téléphones se sont en quelque sorte éteints, comme moi, ou quelque chose de ce genre. |
| Michael Nazarkovsky |
Détruire, ouais. |
| |
Tout ce qui pourrait me déranger, je le couperai. Les sons les plus anciens et Skyway, n'oubliez pas ces exigences. George, s'il vous plaît, dites-moi pendant la session, je veux dire après l'enregistrement de la session, si vous capterez les éléments pertinents ou si ce sera comme tout. |
| Josh Staunton |
Oui, donc ça se fera sans problème. Je ne pense pas qu'ils feront de montage en cours de route si, pour une raison ou une autre, il y avait un souci. |
| |
C'est catastrophique, on peut tout recommencer depuis le début, mais je pense qu'ils vous laisseront passer sans problème. Ne vous inquiétez pas, vous savez, on est tous humains ici, non ? |
| |
Tu as fait une erreur, essaie juste de continuer comme ça, personne n'est parfait, les stats ne sont pas parfaites, donc tu n'as pas besoin de l'être non plus, mais bon. |
| |
Poursuivre. |
| Felipe Lopes |
Non. |
| Josh Staunton |
Je suis désolé. |
| |
Ça te va, Michael ? Ça te semble bien ? |
| Michael Nazarkovsky |
Oui, tout va bien, tout va bien. |
| |
Oui. |
| Josh Staunton |
La dernière chose que nous voyons. |
| |
D'accord. |
| |
Oui, c'est déjà bon pour ça. |
| |
Très bien, juste la barre des tâches. |
| |
Maintenant, je vais le faire. |
| |
Avez-vous d'autres questions ou êtes-vous prêts à présenter ? |
| |
Est. |
| Michael Nazarkovsky |
Oui. |
| |
Oui, je suppose. |
| Felipe Lopes |
Partager mon écran Michael, comment partages-tu ton écran ? |
| Michael Nazarkovsky |
Es-tu mon frère ? |
| |
Mais bon Josh, techniquement, ça ne pose pas de problème si on partage nos écrans à tour de rôle, oui. |
| Josh Staunton |
Oui, tu sais que c'est bien, oui, juste. |
| |
Assurez-vous simplement de bien faire défiler les diapositives et de ne pas prendre trop de retard. |
| Michael Nazarkovsky |
Oui, mais... |
| Josh Staunton |
Oui, absolument, vous savez quoi. |
| Michael Nazarkovsky |
Nous allons le faire, ils ont la même présentation complète, toutes nos parties sont ensemble, donc nous le ferons l'un après l'autre, c'est parfait. Merci. |
| Josh Staunton |
OK, super ! Et vous savez comment partager votre écran ? Utilisez Zoom avant. |
| |
Oui. |
| Felipe Lopes |
Je prépare juste le terrain pour la précipitation. |
| |
Mettez ceci. |
| |
Oui. |
| Josh Staunton |
J'aime vos fonds d'écran. |
| Felipe Lopes |
Je partage mon écran de droite en ce moment. |
| Michael Nazarkovsky |
Parfait, tout va bien. |
| Felipe Lopes |
Ouais. |
| |
C'est la présentation, n'est-ce pas ? |
| |
Parce que je vais à l'écran et parfois au mauvais écran et je vomis. |
| Michael Nazarkovsky |
Parfait, tout est parfait. |
| Josh Staunton |
Ça a l'air super, je vais éteindre le mien. |
| |
Mon appareil photo n'est plus là, mais je vous le passe messieurs, merci encore et. |
| |
Je suppose qu'on pourra en parler à la fin, s'ils le souhaitent. |
| Michael Nazarkovsky |
Ça aurait été sympa de te revoir, Josh. |
| Josh Staunton |
Très bien, prends soin de toi. |
| Felipe Lopes |
Bonjour à tous. Je m'appelle Felipe Lopes de Oliveira. Je suis étudiant à l'Université fédérale de Rio de Janeiro et je présente ce travail en collaboration avec Michael. |
| |
Nazarkovsky, de l'Université pontificale catholique de Rio de Janeiro, présente aujourd'hui son travail intitulé « Approches modernes de la classification des réseaux organiques covalents par propriétés texturales à l'aide du logiciel JSL ». |
| |
Les réseaux organiques covalents constituent donc une nouvelle classe de matériaux composés uniquement d'éléments légers tels que le carbone, l'azote, l'oxygène, l'hydrogène et le bore. |
| |
Ce sont des matériaux organiques, cristallins, nanoporeux et très stables dans les structures réticulaires. Cela signifie que les liaisons chimiques qui les constituent suivent un motif géométrique bien défini, dicté par la topologie du réseau. |
| |
Sur cette image, je montre un exemple de réseau de type HCB, composé de triangles et de tiges connectés périodiquement. |
| |
formant un réseau étendu. Ces triangles et cette tige représentent des molécules qui peuvent être... que vous appelez des éléments constitutifs liés par covalence et formant une structure étendue. |
| |
avec des caractéristiques géométriques de cette nature. Il existe de nombreux types différents de |
| |
géométries des molécules pouvant servir d'éléments de base et différents types de liaisons chimiques permettant de les relier. |
| |
De cette manière, il est possible de former une structure aux caractéristiques extrêmement spécifiques, telles que ??? que nous pouvons contrôler dans l'ordre de ??? dans les caractéristiques physiques et chimiques de l'intérieur de la |
| |
??? que nous avons défini à partir des éléments constitutifs. On peut donc comparer ces éléments à des pièces de Lego, différentes pièces permettant de construire plusieurs structures aux caractéristiques uniques. |
| |
Sur cette diapositive, je présente différentes topologies possibles qui peuvent être utilisées pour construire des réseaux organiques covalents bidimensionnels et tridimensionnels. |
| |
ainsi que le format que chaque élément constitutif doit respecter pour construire ces réseaux. À droite, je présente un exemple de modèle de structure cristalline de COF. |
| |
avec un réseau ???, qui sera utilisé ultérieurement pour calculer les propriétés d'intérêt. On peut constater que ce format forme une structure composée d'une couche covalente bidimensionnelle. |
| |
et ces couches sont empilées de manière équivalente à une géographie en trois dimensions. |
| |
Grâce à leurs incroyables capacités de modulation, les COF peuvent être utilisés pour plusieurs applications extrêmement intéressantes, telles que la catalyse hétérogène, la production d'énergie, le stockage, |
| |
Les semi-conducteurs organiques, la détection chimique, l'isolation thermique, la capture et le stockage des gaz, entre autres. Cependant, en raison de la plus grande modularité que... |
| |
Cette modularité accrue peut aussi poser problème, mais le développement de ces matériaux est en réalité très complexe. |
| |
Ils utilisent... ils sont généralement développés grâce à une combinaison d'intuition chimique et de molécules disponibles. |
| |
Après plusieurs étapes de synthèse et de caractérisation répétées avec des matériaux à haute teneur en ???, on obtient ce matériau. Ce matériau est développé... |
| |
La mise au point de ce matériau est très longue et coûteuse, et nécessite l'intervention de plusieurs professionnels (une vingtaine). Et parfois, tous ces efforts ne donnent pas de résultats. |
| |
ne permettent pas d'obtenir un matériau aux caractéristiques souhaitées. Pour tenter de résoudre ce problème, nous... |
| |
Pour tenter de résoudre ce problème, nous proposons une approche informatique simple et ??? pour étudier ces matériaux et ainsi tenter d'accélérer leur développement. |
| |
Nous utilisons initialement une base de données de structures, désormais appelée COFs organisés, qui regroupe plusieurs structures synthétisées et présentées dans la littérature. |
| |
Ensuite, nous utilisons des routines de construction pour générer des valeurs permettant de valider ces structures et de nous assurer que tout est correct. Puis, nous utilisons une méthode basée sur la DFT. |
| |
Nous utilisons le logiciel de calcul de structure électronique CP2K pour optimiser les paramètres d'auto-optimisation des positions atomiques des structures. Ensuite, nous utilisons le logiciel ZEO++. |
| |
qui effectue une analyse géométrique des pores et du pourcentage de correspondance entre la formation de réseaux ??? à l'intérieur d'eux. |
| |
Il détermine ensuite un ensemble de descripteurs structurels pour les coûts sélectionnés. Il s'agit d'un script créé par mon collègue Michael dans le logiciel JMP, permettant de réaliser plusieurs analyses extrêmement intéressantes. |
| |
Voici les principales structures que nous utilisons. Tout d'abord, un identifiant de structure, qui correspond en fait à une classification du nom de la structure. |
| |
Ensuite, nous avons le LIS, qui signifie « grande sphère incluse », et qui nous donne des informations sur le diamètre des pores du matériau. |
| |
Nous avons le LFS (Large Free Sphère) et le LSFP (Large Sphère Free Path), qui... ce qui est fondamentalement la même chose que le LSFP (Large Incluse Sphère), mais peut encoder l'information... |
| |
La différence de diamètre des pores est influencée par plusieurs fonctionnalisations au sein de ces derniers. Nous disposons également de la surface spécifique (SSA) et de la surface volumique (SSAV), exprimées en mètres carrés par gramme et en mètres carrés par unité de volume. |
| |
AVF, qui est la fraction volumique accessible, qui indique la quantité de matériau formée par les pores et Vp est le volume des pores. |
| |
Et ensuite, nous avons le N(chan), qui est le nombre de canaux accessibles. |
| |
Sur cette figure, je montre une structure avec un seul canal, mais les matériaux tridimensionnels peuvent avoir plusieurs canaux accessibles. |
| |
Nous avons ChanDim, qui représente la dimensionnalité des canaux, lesquels peuvent être unidimensionnels (1D), comme dans cette structure, bidimensionnels (2D) ou tridimensionnels (3D). La taille du canal correspond généralement au diamètre des pores, mais peut varier légèrement pour certaines structures. |
| |
Et maintenant, Michael va nous parler un peu des résultats. |
| Michael Nazarkovsky |
Oui, merci beaucoup. Merci beaucoup, Felipe, pour cette excellente introduction. Nous allons donc aborder l'analyse et la science des données. Je vais donc partager mon écran à mon tour. Voilà ce que je vais faire. |
| |
Parfait. Excellent produit. |
| |
Très bien, reprenons depuis le début de la deuxième partie. Le moment est venu d'analyser les données de cette quantité impressionnante de structures obtenues par Felipe. |
| |
Un instant. D'accord, bien. Après la première étape, disons, avant toute analyse, il faut récupérer les données et exclure les structures erronées ou les éléments non pertinents. |
| |
et un examen pour détecter les valeurs manquantes. Aucune valeur manquante n'a été détectée lors de leur analyse et de leur examen. Nous avons également découvert après le |
| |
La visualisation des données montre que la grande majorité des structures disponibles sont assignées à la structure principale (85 %) et à la structure secondaire (15 %), le tout formant une structure 3D. Dès le départ, nous avons donc un ensemble de données déséquilibré à prédire. |
| |
Les canaux sont attribués à des dimensions monodimensionnelles |
| |
et il y a bien plus encore... plus de 80 % et près de 17 % sont attribués aux canaux 3D et un peu moins de 2 % aux canaux bidimensionnels. |
| |
De plus, tous ces canaux sont assez isotropes, ce qui signifie que dans toutes les directions (X, Y et Z), ils sont égaux, ce qui se reflète sur le diagramme tridimensionnel 3D des données. |
| |
Si l'on répartit toutes les données entre les structures, c'est-à-dire les structures 2D et 3D, on constate que les structures monodimensionnelles et bidimensionnelles représentent la grande majorité, soit plus de 90 % pour les structures 2D et 3D. |
| |
Des chaînes 3D, je veux dire tridimensionnelles. Plus de 60 % sont occupées par des structures 3D, ce qui est considérable... une quantité assez importante. |
| |
sur trois, on trouve également des structures 2D, car elles ont une valeur beaucoup plus élevée, de l'ordre de 85 %. |
| |
Pour éviter cela, pour éviter un tel déséquilibre |
| |
Dans cette situation, nous entreprenons certaines actions sans supervision. |
| |
approches, associées à des méthodes supervisées d'apprentissage automatique |
| |
Après la préparation des données, que faisons-nous dans la première étape de cette analyse ? Une analyse multivariée pour détecter la colinéarité. |
| |
et les corrélations entre les paramètres. Ainsi, comme nous pouvons le constater, les trois premiers (LIS, LFS et LSFP) sont fortement corrélés, ce qui permet de les substituer les uns aux autres. Cependant, cette caractéristique sera cruciale lors de l'analyse en composantes principales (ACP). |
| |
(analyse en composantes principales). C’est pourquoi, pour le clustering hiérarchique, nous n’avons sélectionné qu’un seul de ces paramètres. |
| |
Dans le cas où X, Y et Z représentent également une taille de canal, notre signification isotrope reste la même. Cependant, |
| |
Il a été décidé de les conserver tous, car cela est étroitement lié à la structure native du composé 2D... des structures composées 2D des COF clés. |
| |
Compte tenu de leur grand nombre (près de 500 structures), nous avons décidé de sélectionner 13 clusters, considérés comme les plus significatifs et pertinents, et de les analyser en fonction de leur proportion par rapport à l'ensemble des clusters. |
| |
pour la moyenne |
| |
paramètres, qui sont reflétés dans le tableau. |
| |
Comme on peut le constater, après le numéro 13, il y a un autre énorme |
| |
Réduction du regroupement... distances entre les clusters, c'est pourquoi 13 a été considéré comme le nombre optimal de clusters. Parmi ceux-ci, nous avons sélectionné le cluster le plus volumineux, le cluster n° 7, qui contient... comprend 128 clusters. |
| |
Des échantillons de structure 2D seront utilisés ultérieurement pour la classification. |
| |
En revanche, les structures 3D sont, comment dire… j’oserais dire qu’elles sont déjà identiques. Nous avons toujours observé une forte corrélation entre LIS, LFS et LSFP, c’est pourquoi… |
| |
Les conditions d'extraction des clusters étaient les mêmes que pour la 2D. Cependant, nous avons réduit le nombre de clusters à sept. Parmi ces sept clusters, nous en avons extrait quatre, afin de ne conserver qu'un nombre minimal de clusters. |
| |
Le rapport entre la 2D et la 3D se rapproche de l'égalité. Et il ne sera pas égal. |
| |
Cependant, comme vous le verrez sur la diapositive suivante, ce sera bien mieux, moins déséquilibré que 85 à 15. |
| |
En comparant deux tableaux de variabilité des paramètres, on constate que les quatre derniers, dans les deux cas, sont responsables de la plus grande variabilité des structures au sein de chaque ensemble. Fraction volumique… pardon, |
| |
Le volume poreux total et les deux types de surface spécifique sont donc au même niveau et responsables d'une plus grande variabilité entre les structures. Comme je l'ai dit, nous avons obtenu moins... |
| |
Au final, la différence entre les deux structures est moindre. |
| |
Validation... la validation entraînée a joué deux ensembles construits et stratifiés sur la base des structures obtenues à partir... des clusters les plus massifs et bien distribués. |
| |
Commençons par la régression logistique, l'analyse paramétrique la plus simple. Après avoir éliminé les variables les plus non pertinentes |
| |
Nous n'avons retenu que deux variables : le volume total des pores et la fraction volumique. |
| |
Ils sont également fortement corrélés, comme |
| |
Un très grand pourcentage de corrélations le sont. Cependant, il faudrait environ, comme vous pouvez le constater, la même valeur LogWorth, ce qui signifie que nous ne pouvons pas exclure cette possibilité. |
| |
Par exemple, la fraction volumique...fraction, car je l'ai fait une fois pour tester son fonctionnement et son absence est devenue significative et |
| |
Le taux d'erreur de classification lors de la validation était de 20 %. En comparaison, lors de la validation, nous avons obtenu zéro erreur de classification pour une attribution correcte à chaque groupe. |
| |
et avec un taux d'erreur de classification très faible dans l'ensemble d'entraînement. Les autres métriques, c'est-à-dire les mesures de performance du modèle, seront abordées plus en détail à la fin, lorsque nous comparerons les performances de tous les modèles. |
| |
Les équations permettant de prédire la probabilité, la structure prédite, ont été créées et fournies, obtenues et présentées... sur cette diapositive. Poursuivons. C'est pourquoi, dans la suite |
| |
Pour la modélisation, nous n'avons utilisé que ces deux paramètres... des paramètres pour prédire les deux structures (2D ou 3D), donc l'élimination des plus proches voisins comme modèle non paramétrique leur a donné les meilleurs résultats. |
| |
Les indicateurs… les meilleures performances et la validation sont obtenues à 1 000 voisins ; un seul voisin suffit donc pour identifier la structure. Comme on peut le voir sur le diagramme… |
| |
Je veux dire, quel est le volume total des pores et la fraction volumique, pardon, pour que nous puissions voir que |
| |
En 2D, cette structure est plus concentrée. |
| |
très |
| |
concentrés en un seul point. Cependant, contrairement à la 3D, ils sont assez dispersés. C'est pourquoi on compare les distances. Ici, dans la partie droite de la diapositive, vous pouvez voir que les plus grandes distances entre voisins sont liées à |
| |
Les structures 3D sont présentes aussi bien dans l'ensemble de validation que dans l'ensemble d'entraînement. C'est pourquoi nous pouvons également utiliser ce modèle non paramétrique… un seul modèle non paramétrique à appliquer à l'attribution en utilisant seulement ces deux paramètres. |
| |
L'analyse discriminante quadratique ne présente aucun taux d'erreur de classification dans l'ensemble de validation et moins de 5 % dans l'ensemble d'entraînement, soit seulement huit échantillons mal classés. C'est donc encore plus simple… comme le montrent la matrice de confusion et le graphique parallèle. |
| |
Et aussi le reste du... |
| |
Le reste des paramètres sera décrit... sera abordé ultérieurement car ce modèle comporte quelques particularités... |
| |
Ce sera plus intéressant… nous verrons bien. Le modèle Naive Bayes, autre modèle paramétrique très simple, n'a lui aussi commis aucune erreur de classification. La situation devient donc assez compétitive. |
| |
Comme on peut le constater ici aussi, les deux paramètres ont des effets presque égaux. |
| |
L'effet total est de près de 0,88 pour le volume total des pores et de près de 8 pour la fraction volumique... 0,8, c'est pourquoi leur contribution à la tâche de classification est presque égale. |
| |
Des graphiques simples ont également été construits à des fins de prédiction. |
| |
La machine à vecteurs de support n'a pas été démontrée, et ses performances sont également brillantes. Comme on peut le constater, 64... pardon, 46 vecteurs ont été utilisés pour construire un tel modèle, avec zéro erreur de classification au final. Et quelques |
| |
une erreur de classification dans un entraînement (6%) et surtout, le plus grand pourcentage d'erreurs de classification concernait exactement la 3D, ils étaient mal classés. |
| |
Très bien, poursuivons. Nous arrivons enfin à un modèle complexe qui combine des approches non supervisées et supervisées : l’ACP non supervisée. Dans ce cas précis, nous les avons toutes prises en compte… |
| |
des paramètres continus quantitatifs, y compris tous, même ceux qui sont fortement corrélés entre eux, et nous avons construit |
| |
Diagrammes et graphiques pour l'ACP. Et comme nous pouvons le constater, deux composantes principales ont les valeurs suivantes : |
| |
Selon la règle de Kaiser, il y a plus d'un composant ; cela signifie qu'à ce stade, nous avons un troisième composant presque identique, que nous n'inclurons pas dans le modèle de prédiction. Seuls les deux premiers seront pris en compte. |
| |
où ces valeurs propres étaient supérieures à un. Et ce qui est intéressant, c'est que l'on constate ici que dans la première composante, la composante principale qui explique près de 66 % des cas, celles-ci comprennent : |
| |
Disons LIS, LFS, LSFP et les canaux... les paramètres des canaux, c'est-à-dire les dimensions X, Y et Z, dans ces directions. Donc, disons, ??? canaux, ??? ensembles de canaux. |
| |
Le second composant, globalement satisfaisant, peut être décrit par sa surface spécifique et sa porosité. Il s'agit d'un paramètre purement textural. |
| |
Ainsi, comme nous pouvons le constater, même ici, nous observons une telle différence de certification et pouvons tirer des conclusions sur la contribution des deux paramètres à la prédiction, dans cette description de la. |
| |
structures. Ainsi, après avoir construit la régression logistique, en utilisant uniquement ces deux composantes principales, leur formule sera donnée dans le... dans notre publication, dans notre résumé, puis dans l'article que nous allons soumettre dans le cadre... du présent sommet. |
| |
Ici aussi, évidemment, nous avons obtenu un taux d'erreur de classification nul et un taux très faible, inférieur à 1 %, lors de l'entraînement… ce qui n'était pas le cas pour les modèles précédents. Nous arrivons donc maintenant au plus |
| |
La partie intéressante, la conclusion concernant notre |
| |
résumé |
| |
modèles. Comme nous pouvons le constater, nous résumons l'ensemble d'entraînement par une mauvaise classification, évidemment parce que nous avons obtenu certaines valeurs. Nous pouvons voir la régression logistique... les modèles de régression |
| |
comme les méthodes simples et basées sur l'ACP, ici en tête du classement par erreur de classification et par analyse discriminante de validation. Cependant, |
| |
Ce que nous pouvons dire ici, c'est que, compte tenu de tous leurs tableaux de mauvaise classification ou de leur précision en tant qu'opposé du paramètre, nous devrions comparer d'autres métriques. |
| |
Donc, ce que nous pouvons constater, c'est que, très bien, nous avons également, selon d'autres indicateurs, des valeurs plus élevées, ce qui est avantageux pour l'analyse discriminante. Mais si nous regardons de plus près, |
| |
Nous verrons… tout le monde constatera l’énorme différence entre ces indicateurs, même au niveau du taux d’erreur de classification, entre la validation et l’entraînement. Nous pouvons donc… |
| |
Comme vous le savez, nous avons rencontré des problèmes de surapprentissage ou de sous-apprentissage. Dans ce cas précis, nous avons principalement traité du sous-apprentissage, car l'invalidation des métriques est meilleure que… |
| |
Pour l'entraînement. Normalement, cela se produit à l'inverse, oui, dans la plupart des cas... la plupart des cas traitent du surapprentissage lorsque l'entraînement surajuste les données et que nous obtenons des métriques moins bonnes lors de la validation. Ici, c'est complètement l'inverse, et c'est pourquoi |
| |
ces métriques, comme l'entropie R² et le R² généralisé et le logarithme moyen P, ainsi que le taux de mauvaise classification, |
| |
Les différences ont été analysées pour ces quatre indicateurs, et c'est pourquoi nous sélectionnons les meilleurs. Comme mentionné précédemment, l'analyse discriminante a démontré les résultats les plus élevés. |
| |
La qualité des performances présente toutefois l'une des plus grandes différences entre les métriques de validation en phase d'entraînement et les autres. N'oubliez pas que |
| |
Lors de la validation, tous ont renvoyé zéro, ce qui signifie que nous pouvons sélectionner presque |
| |
Chacune d'elles, avec un équilibre optimal des autres métriques… différences pour les métriques entre la validation et l'entraînement. Ainsi, ce que nous pouvons observer ici, par exemple, la plus faible… |
| |
La plus faible différence entre le taux d'erreur de classification et l'entropie R² est attribuée à la régression logistique, combinée à l'ACP. |
| |
Deux autres indicateurs, comme la différence généralisée entre... la différence entre le R² généralisé et le logarithme moyen de P, sont observés. |
| |
pour les machines à vecteurs de support. Cependant, pour Naive Bayes, nous ne pouvons pas sélectionner ce modèle, car au moins deux |
| |
En termes de paramètres, la différence est énorme. Voilà pourquoi. |
| |
On peut supposer que, pour des performances optimales et une précision maximale, la régression logistique basée sur l'ACP est recommandée, ainsi que, de manière optionnelle, la machine à vecteurs de support comme autre modèle pour prédire les structures 2D et 3D. Plus de détails et plus |
| |
Les méthodes seront décrites dans notre article, que nous soumettrons d'ici deux semaines. |
| |
et publié sur le site web de la communauté JMP. Un grand merci, ce fut un réel plaisir de faire cette présentation. Je tiens également à remercier chaleureusement mon collègue David Kirmayer de l'Université hébraïque de Jérusalem, en Israël. Merci de votre attention. |
| Josh Staunton |
Très bien. |
| |
Merci, messieurs. |
