| Lautsprecher |
Transkript |
| Josh Staunton |
Michael. |
| Michael Nazarkovsky |
Hallo Josh, einen Moment bitte. |
| |
Okay. |
| Michael Nazarkovsky |
Oh ja, nein, nein, es funktioniert einwandfrei. |
| Josh Staunton |
Gut, dass ich dich sehen kann, danke. |
| Michael Nazarkovsky |
Während du. |
| |
Während wir auf Phillippi warten, sagt er, er sei der Erste. Ich habe also erst vor 10 Minuten mit ihm gesprochen, du nimmst also gerade auf, ja. |
| Josh Staunton |
Ja, die Aufnahme startet, wir werden diesen Teil einfach herausschneiden. |
| |
Sobald wir das Ganze durchgegangen sind und Philippe noch ein paar Fragen klären muss, übergebe ich Ihnen das Wort. Schalten Sie dann bitte meine Kamera und meinen Sohn aus und überlassen Sie mir die weitere Bearbeitung. Vielen Dank, dass Sie das machen, wir wissen das sehr zu schätzen. |
| Michael Nazarkovsky |
Oh, vielen Dank, wirklich, es war eine große Überraschung für mich, als sie diese Nachricht über die Möglichkeit zur Teilnahme erhielten. |
| |
Bei dieser Veranstaltung – oder besser gesagt, bei drei bis fünf – habe ich davon erfahren, denn letztes Jahr hatte ich die Gelegenheit, im Oktober an der Sitzung teilzunehmen, und ich war total begeistert – die Themen wurden so gut erläutert, dass ich beschlossen habe, mir diese Chance dieses Jahr nicht entgehen zu lassen. |
| Josh Staunton |
Ja, super, fantastisch. |
| |
Nun ja, leider wird dieses Jahr alles in Präsenz stattfinden, aber wir haben trotzdem einige großartige Inhalte. |
| |
Wir hoffen, Sie in Zukunft einmal zu einer unserer persönlichen Entdeckungsveranstaltungen einladen zu können, die immer ein Vergnügen sind. |
| Michael Nazarkovsky |
Oh ja, hoffentlich. |
| |
Ich habe Anfang letzten Jahres angefangen, Marmelade zu essen, und zwar seit Beginn der Pyjama-Zeit. |
| |
Ja, ja, also ziemlich schnell, sehr einfach, würde ich sagen. |
| |
Ja, und die Pandemie oder ich habe tatsächlich viel Erfolg gehabt, als Folge einer der Folgen, die Sie jetzt in dieser Präsentation sehen werden. |
| |
Und ich habe sogar angefangen, darüber zu publizieren, und im Moment bin ich wohl Mitautor von drei Artikeln, die parallel laufen. Ich bin mir dessen bewusst und beteilige mich an JMP. |
| |
Aufleuchten. |
| Josh Staunton |
Alles, was schön ist. |
| |
Schnelles Lernen – genau das Richtige für Sie. |
| Michael Nazarkovsky |
Nur so viel: Es hilft natürlich sehr beim statistischen Denken. |
| |
Ja, einfach ja. |
| |
Ja. |
| Josh Staunton |
Wir haben früher einfach Open Source verwendet, um unsere Analysen durchzuführen. |
| Michael Nazarkovsky |
Du meinst wohl Open Source. |
| Josh Staunton |
An oder so. |
| |
Es auf jemand anderen zu reduzieren. |
| Michael Nazarkovsky |
Ach, nein, nein, nein, nein, nein, du weißt doch, ich habe angefangen, Python zu lernen, aber weißt du was? |
| |
Ich meine, einigen Lernschwierigkeiten entgegenzuwirken. |
| |
Ich bin also Chemiker und Physikochemiker und nutze all diese Dinge für die Chemie und Materialwissenschaften, wie Sie gleich sehen werden. Deshalb habe ich mich entschieden, parallel zu Pro Six Road von Python auf Math Lab umzusteigen, um dort Fortschritte zu erzielen. |
| |
Die Machine-Learning-Schnittstelle für Metalab in Jeff ist für Wissenschaftler mehr als ausreichend. |
| Josh Staunton |
Ja, ja, nein, das ist toll zu hören, ich bin froh, dass Sie es angenommen haben und darin so erfolgreich sind, das ist fantastisch. |
| Michael Nazarkovsky |
Also, ich schreibe Ihnen bitte eine SMS an phillippi. |
| |
Okay, Moment mal, was ist denn los? Er hatte vor etwa einer Stunde Probleme mit dem Internet. |
| |
Okay, okay. |
| |
Er versucht hineinzukommen. |
| Josh Staunton |
Nein, er ist noch nicht drin. |
| |
seltsam. |
| Josh Staunton |
in Echtzeit. |
| |
Sie mussten also kein Passwort eingeben, haben einfach auf den Link geklickt und sind direkt reingekommen, richtig? |
| Michael Nazarkovsky |
Ich habe ihm den Link einfach so geschickt, aber ich erinnere mich nicht, ob ein Passwort erforderlich ist. |
| Josh Staunton |
Du solltest kein Geschäft haben, ja. |
| Michael Nazarkovsky |
Genau das ist es ja, er schreibt mir jetzt gleich eine SMS. |
| |
Oh. |
| |
Oh ja, also das Problem ist nicht, dass es schon wieder Probleme mit Zoom und dem Internet gibt. |
| |
Oh. |
| Michael Nazarkovsky |
Wir haben eine Stunde, ja. |
| Josh Staunton |
Er tritt jetzt bei. |
| Michael Nazarkovsky |
Oh, gut. |
| |
Ja. |
| Felipe Lopes |
Hallo. |
| Michael Nazarkovsky |
Hallo, endlich bist du ein Held! Du startest also die Präsentation, und Josh wartet schon auf uns, wir sind also tatsächlich rechtzeitig da. |
| Felipe Lopes |
Ja, jederzeit. |
| Josh Staunton |
Definitiv, eine Zeit, ich meine, die sein. |
| |
Schön, Sie kennenzulernen. Mein Name ist... |
| |
Josh, ich meine, ich nicht. |
| |
Schaut euch den Rekorder an, ich werde jetzt nur ein paar Fragen beantworten und sobald wir damit fertig sind, übergebe ich das Wort an euch. Dann schalte ich meine Kamera aus und ihr könnt das übernehmen. Wir werden diesen Teil jetzt herausschneiden. |
| |
Okay. |
| |
Auch wenn es sich lohnt, die Szene jetzt aufzunehmen, werden wir diesen Teil später herausschneiden. |
| |
Also, ein paar Dinge. |
| |
Okay, also nehme ich an. |
| |
Wir haben also offensichtlich Michael als unseren Kosky von der Päpstlichen Katholischen Universität von Rio de Janeiro, und er ist Lopez de la Vieja. |
| |
Bundesuniversität von Rio de Janeiro, und ihr werdet rübergehen. |
| |
Wasseransätze und Klassifizierung von Kirkland oder die Gewinnung von Rahmenwerken durch texturale Eigenschaften unter Verwendung von Jail Cell 2021 Dash US Desk 30 MP Dash 874 – klingt das richtig? |
| Felipe Lopes |
Ja. |
| Michael Nazarkovsky |
Okay, der vollständige Name. |
| Josh Staunton |
Ja, der vollständige Name, okay, Leute. |
| |
Nur zur Information: Diese Aufzeichnung dient der Nutzung der JMP Discovery Summit Conference und wird öffentlich zugänglich sein. Erteilen Sie der JMP-Benutzergemeinschaft Ihre Zustimmung zu dieser Aufzeichnung und Verwendung? |
| Felipe Lopes |
Ja, das tue ich, ja, danke. |
| Michael Nazarkovsky |
Okay gut. |
| Josh Staunton |
Michael, alles gut. |
| |
Ja, natürlich. |
| |
Ja, das ist eine Art Analogie. |
| |
Klingt, als hättet ihr das auch? |
| |
Deine Handys sind irgendwie ausgeschaltet und so wie ich oder irgendetwas in der Art, das passieren könnte. |
| Michael Nazarkovsky |
Zerstören, ja. |
| |
Alles, was stören könnte, schalte ich einfach ab. Ältere, älteste Geräusche und Skyway, bitte beachte diese Anforderungen. George, bitte sag mir während der Session, ich meine nach der Aufnahme der Session, ob du die relevanten Sachen erfährst oder ob es das Ganze ist. |
| Josh Staunton |
Ja, es wird also direkt durchgehen. Ich glaube nicht, dass sie währenddessen irgendwelche Änderungen vornehmen werden, falls es aus irgendeinem Grund Probleme geben sollte. |
| |
Das ist eine Katastrophe, wir können von vorne anfangen, aber ich denke, sie lassen dich einfach durch. Mach dir keine Sorgen, weißt du, wir sind doch alle nur Menschen, oder? |
| |
Du hast einen Fehler gemacht, versuch einfach weiterzumachen. Niemandes ist perfekt, und das muss auch nicht sein. Statistiken sind ja auch nicht perfekt, also musst du es auch nicht sein. |
| |
Fortfahren. |
| Felipe Lopes |
NEIN. |
| Josh Staunton |
Es tut mir Leid. |
| |
Ist das in Ordnung, Michael? Klingt das gut? |
| Michael Nazarkovsky |
Ja, alles ist in Ordnung, alles ist in Ordnung. |
| |
Ja, genau. |
| Josh Staunton |
Das Letzte, was wir gerade gesehen haben. |
| |
Okay. |
| |
Ja, das kann ich schon. |
| |
Okay, nur die Taskleiste. |
| |
Jetzt werde ich es tun. |
| |
Habt ihr noch weitere Fragen oder seid ihr so gut wie bereit für die Präsentation? |
| |
Ist. |
| Michael Nazarkovsky |
Ja. |
| |
Ja, ich denke schon. |
| Felipe Lopes |
Michael, wie teilst du deinen Bildschirm? |
| Michael Nazarkovsky |
Bist du mein Bruder? |
| |
Okay, Josh, technisch gesehen ist es in Ordnung, wenn wir unsere Bildschirme nacheinander teilen, ja. |
| Josh Staunton |
Ja, du weißt schon, dass das in Ordnung ist, genau. |
| |
Stellen Sie einfach sicher, dass Sie die Folien klar vorwärts leiten und nicht zu weit hinter den Folien zurückbleiben. |
| Michael Nazarkovsky |
Ja, aber... |
| Josh Staunton |
Ja, absolut, ihr wisst schon. |
| Michael Nazarkovsky |
Wir werden das machen, sie haben die gleiche Präsentation, alle unsere Teile sind zusammen, also machen wir es einfach nacheinander, das ist in Ordnung. Danke. |
| Josh Staunton |
Okay, cool, und ihr wisst ja schon, wie man Bildschirme teilt, indem man Zoom benutzt. |
| |
Ja. |
| Felipe Lopes |
Hier wird gerade der Ansturm vorbereitet. |
| |
Stell das hin. |
| |
Ja. |
| Josh Staunton |
Mir gefallen deine Hintergründe. |
| Felipe Lopes |
Ich teile gerade den rechten Bildschirm. |
| Michael Nazarkovsky |
Wunderbar, alles in Ordnung. |
| Felipe Lopes |
Ja. |
| |
Es liegt an der Präsentation, richtig? |
| |
Weil ich auf den Bildschirm gehe und manchmal auf dem falschen Bildschirm lande und mich dann übergebe. |
| Michael Nazarkovsky |
Alles ist perfekt. |
| Josh Staunton |
Das sieht toll aus, ich schalte jetzt meinen aus. |
| |
Meine Kamera ist jetzt weg, aber ich werde sie Ihnen, meine Herren, weitergeben. Nochmals vielen Dank. |
| |
Ich denke, wir können am Ende reden, wenn sie. |
| Michael Nazarkovsky |
Es wäre schön gewesen, dich wiederzusehen, Josh. |
| Josh Staunton |
Alles klar, pass auf dich auf. |
| Felipe Lopes |
Hallo zusammen. Mein Name ist Felipe Lopes de Oliveira. Ich komme von der Bundesuniversität Rio de Janeiro und präsentiere diese Arbeit zusammen mit Michael. |
| |
Nazarkovsky von der Päpstlichen Katholischen Universität, ebenfalls in Rio de Janeiro. Und heute stellen wir die Arbeit „Moderne Ansätze zur Klassifizierung kovalenter organischer Gerüststrukturen anhand ihrer Textureigenschaften mithilfe der JSL-Software“ vor. |
| |
Kovalente organische Gerüststrukturen stellen somit eine neue Materialklasse dar, die ausschließlich aus leichten Elementen wie Kohlenstoff, Stickstoff, Sauerstoff, Wasserstoff und Bor besteht. |
| |
Sie sind organisch, kristallin, nanoporös und weisen eine hohe Stabilität in netzartigen Strukturen auf. Das bedeutet, dass die chemischen Bindungen, aus denen diese Materialien bestehen, einem klar definierten geometrischen Muster folgen, das durch die Topologie des Netzwerks vorgegeben ist. |
| |
In diesem Bild zeige ich ein Beispiel eines HCB-Gitters, das aus periodisch verbundenen Dreiecken und Stäben besteht. |
| |
Es entsteht ein ausgedehntes Netzwerk. Diese Dreiecke und Stäbe stellen Moleküle dar, die man als Bausteine bezeichnet, welche kovalent gebunden sind und eine ausgedehnte Struktur bilden. |
| |
mit den geometrischen Eigenschaften dieser Art. Es gibt viele verschiedene Arten von |
| |
Geometrien von Molekülen, die als Bausteine verwendet werden können, und verschiedene Arten von chemischen Bindungen, mit denen wir sie verbinden. |
| |
Auf diese Weise ist es möglich, eine Struktur mit äußerst spezifischen Eigenschaften zu bilden, wie zum Beispiel ???, die wir in der Reihenfolge von ??? hinsichtlich der physikalischen und chemischen Eigenschaften ihres Inneren kontrollieren können. |
| |
Das können wir anhand der Bausteine definieren. Wir können uns die Bausteine also wie Legosteine vorstellen, aus denen sich verschiedene Strukturen mit einzigartigen Eigenschaften bauen lassen. |
| |
Auf dieser Folie zeige ich verschiedene mögliche Topologien, die zum Aufbau zwei- und dreidimensionaler kovalenter organischer Gerüste verwendet werden können. |
| |
sowie das Format, das die einzelnen Bausteine zum Aufbau dieser Netzwerke aufweisen müssen. Rechts zeige ich ein Beispiel für ein Kristallstrukturmodell von COFs. |
| |
mit einem ???-Netzwerk, das zukünftig zur Berechnung der relevanten Eigenschaften verwendet wird. Man erkennt, dass das Format eine Struktur bildet, die aus einer zweidimensionalen kovalenten Schicht besteht. |
| |
und diese Schichten sind übereinander gestapelt, was dem Äquivalent einer Geographie in der dritten Dimension entspricht. |
| |
Aufgrund ihrer unglaublichen Modulationsfähigkeit können COFs für verschiedene äußerst interessante Anwendungen eingesetzt werden, wie z. B. heterogene Katalyse, Energieerzeugung und -speicherung. |
| |
Organische Halbleiter, chemische Sensorik, Wärmedämmung sowie Gaserfassung und -speicherung sind nur einige Beispiele. Aufgrund der größeren Modularität, die... |
| |
Diese größere Modularität kann auch ein Problem darstellen, aber die Entwicklung dieser Materialien ist sehr komplex. |
| |
Sie werden... sie werden üblicherweise durch eine Kombination aus chemischer Intuition und verfügbaren Molekülen entwickelt. |
| |
Durch mehrere Synthese- und Charakterisierungsschritte, die mit Materialien mit hohem ??? wiederholt wurden, wird dieses Material erhalten. |
| |
Die Entwicklung dieses Materials ist sehr zeitaufwändig, teuer und erfordert mehrere – 20 – Fachkräfte. Und manchmal führen all diese Bemühungen nicht zum gewünschten Ergebnis. |
| |
führt nicht zu einem Material mit den gewünschten Eigenschaften. Um dieses Problem zu lösen, haben wir... |
| |
Um dieses Problem zu lösen, schlagen wir einen einfachen und ??? rechnergestützten Ansatz zur Untersuchung dieser Materialien vor und versuchen so, ihre Entwicklung zu beschleunigen. |
| |
Wir verwenden zunächst eine Datenbank mit Strukturen, die jetzt als kuratierte COFs vorliegen und aus mehreren synthetisierten und in der Literatur vorgestellten Strukturen zusammengestellt wurde. |
| |
Anschließend verwenden wir bestimmte Algorithmen, um Werte zu generieren, mit denen wir diese Strukturen validieren und sicherstellen, dass alles in Ordnung ist. Im nächsten Schritt verwenden wir eine DFT-basierte Methode. |
| |
Zur Optimierung der Selbstparameter in den Atompositionen der Strukturen wird eine Software namens CP2K zur Berechnung der elektronischen Struktur verwendet. Anschließend kommt eine Software namens ZEO++ zum Einsatz. |
| |
welche eine geometrische Analyse der Poren und eine prozentuale Übereinstimmung zwischen der Bildung von ??? Netzwerken in ihnen durchführt. |
| |
Anschließend wird eine Reihe von Strukturmerkmalen für die ausgewählten Kosten ermittelt. Dies ist ein Skript meines Kollegen Michael in der JMP-Software, das mehrere äußerst interessante Analysen durchführt. |
| |
Hier zeige ich die wichtigsten Strukturen, die wir verwenden. Zuerst haben wir eine Struktur-ID, die im Grunde genommen die Namensklassifizierung der Struktur darstellt. |
| |
Anschließend folgt das LIS, was für „large included sphere“ (große eingeschlossene Kugel) steht und uns Informationen über den Porendurchmesser des Materials liefert. |
| |
Wir haben die LFS (Large Free Sphere) und die LSFP (Large Sphere Free Path), wobei... im Grunde dasselbe ist wie die große eingeschlossene Kugel, aber die Information kodieren kann... |
| |
Der Einfluss verschiedener Funktionalisierungen auf den Porendurchmesser wird dargestellt. Zusätzlich werden die spezifische Oberfläche (SSA) und das spezifische Volumenvolumen (SSAV) angegeben, jeweils in Quadratmetern pro Gramm und Quadratmetern pro Volumeneinheit. |
| |
AVF ist der zugängliche Volumenanteil, der angibt, wie viel des Materials aus Poren besteht, und Vp ist das Porenvolumen. |
| |
Und dann haben wir noch N(chan), die Anzahl der zugänglichen Kanäle. |
| |
Hier in der Abbildung zeige ich eine Struktur mit nur einem Kanal, aber dreidimensionale Materialien können mehr als einen zugänglichen Kanal haben. |
| |
Wir haben ChanDim, die Dimensionalität der Kanäle, die 1D (wie in dieser Struktur), 2D oder 3D sein kann. Und die Kanalgröße, die im Grunde manchmal dem Porendurchmesser entspricht, aber bei bestimmten Strukturen etwas abweichen kann. |
| |
Und nun wird Michael ein wenig über die Ergebnisse sprechen. |
| Michael Nazarkovsky |
Ja, vielen Dank. Vielen Dank, Felipe, für diese hervorragende Einführung. Jetzt geht es also um reine Datenanalyse und Data Science. Ich teile jetzt bitte meinen Bildschirm. Okay, das werde ich jetzt tun. |
| |
Perfekt. Klasse Zeug. |
| |
Okay, fangen wir also am Anfang des zweiten Teils an. Es ist an der Zeit, die Daten dieser... dieser... dieser riesigen Menge an Strukturen, die Felipe erhalten hat, zu analysieren. |
| |
Einen Moment. Okay, gut. Nach dem ersten Schritt, sagen wir, vor jeder Analyse, müssen die Daten abgerufen und fehlerhafte oder irrelevante Strukturen ausgeschlossen werden. |
| |
und auf fehlende Werte geprüft. Bei der Analyse und Prüfung wurden keine fehlenden Werte festgestellt. Wir haben außerdem nach der |
| |
Die Datenvisualisierung zeigt, dass die überwiegende Mehrheit der verfügbaren Strukturen (85 %) der Struktur zugeordnet ist, während 15 % alle in einer 3D-Struktur dargestellt werden. Daher verfügen wir von Anfang an über einen unausgewogenen Datensatz, der nun Vorhersagen treffen muss. Die überwiegende Mehrheit der |
| |
Kanäle werden eindimensionalen Einheiten zugeordnet |
| |
Es gibt mehr als 80 % der Kanäle, davon sind fast 17 % dreidimensionaler Natur und knapp 2 % zweidimensionaler Natur. |
| |
Darüber hinaus sind alle diese Kanäle ziemlich isotrop, was bedeutet, dass sie in alle Richtungen (X, Y und Z) gleich sind, was sich in den Daten im dreidimensionalen 3D-Diagramm widerspiegelt. |
| |
Verteilen wir alle Daten auf die verschiedenen Strukturen, also 2D- und 3D-Strukturen, so sehen wir, dass die eindimensionalen und zweidimensionalen Strukturen die absolute Mehrheit bilden. Mehr als 90 % entfallen auf die 2D-Strukturen, während die 3D-Strukturen den größten Anteil ausmachen. |
| |
3D, ich meine dreidimensionale Kanäle. Fast 60 % davon werden von 3D-Strukturen belegt, das ist schon ziemlich viel... eine beträchtliche Menge. |
| |
Der Anteil von drei wird auch von 2D-Strukturen übernommen, weil diese einen viel höheren Wert von beispielsweise 85 % aufweisen. |
| |
Um das zu vermeiden, um ein solches Ungleichgewicht zu vermeiden |
| |
In dieser Situation führen wir einige unbeaufsichtigte Maßnahmen durch |
| |
Ansätze, zusammen mit überwachten Methoden des maschinellen Lernens |
| |
Nach der Datenaufbereitung. Was tun wir also im ersten Schritt dieser Analysen, der multivariaten Analyse zur Erkennung von Kollinearität? |
| |
und Korrelationen zwischen den Parametern. Wie wir sehen, sind die ersten drei (LIS, LFS und LSFP) stark korreliert, sodass einer durch einen anderen ersetzt werden kann. Diese Eigenschaft ist jedoch bei der PCA-Analyse von großer Bedeutung. |
| |
(Hauptkomponentenanalyse). Aus diesem Grund haben wir für das hierarchische Clustering nur einen dieser Parameter ausgewählt. |
| |
Im Falle von X, Y und Z für eine Kanalgröße bedeutet unsere isotrope Definition dasselbe. |
| |
Es wurde beschlossen, alle beizubehalten, da dies in engem Zusammenhang mit der nativen Struktur der 2D-Verbindungen steht. |
| |
Aufgrund ihrer hohen Anzahl von fast 500 Strukturen haben wir uns entschieden, 13 Cluster auszuwählen, die hinsichtlich ihres Anteils an der Gesamtanzahl der Cluster als aussagekräftiger und relevanter gelten, und diese zu analysieren. |
| |
für den Mittelwert |
| |
Parameter, die in der Tabelle aufgeführt sind. |
| |
Wie wir sehen können, folgt nach der Zahl 13 noch eine weitere riesige |
| |
Reduzierung der Clusterabstände, daher wurde 13 als optimale Anzahl an Clustern angenommen. Aus diesen wählten wir den größten Cluster, Cluster Nr. 7, der 128 Elemente umfasst. |
| |
Es handelt sich um Beispiele für 2D-Strukturen, die anschließend zur Klassifizierung verwendet werden. |
| |
Im Gegenzug sind 3D-Strukturen, wie soll ich sagen... ich würde sogar behaupten, dass sie bereits identisch sind. Wir haben nach wie vor eine hohe Korrelation zwischen LIS, LFS und LSFP beobachtet, und deshalb auch |
| |
Die Bedingungen für die Cluster-Extraktion waren dieselben wie für 2D. Da wir jedoch eine geringere Anzahl an Clustern verwendeten – wir entschieden uns für sieben –, extrahierten wir von diesen sieben Clustern vier, um mindestens vier zu behalten. |
| |
Das Verhältnis zwischen 2D und 3D nähert sich der Gleichheit an. Und es wird nicht gleich sein. |
| |
Wie Sie jedoch auf der nächsten Folie sehen werden, wird das Verhältnis deutlich besser und weniger unausgewogen sein als 85 zu 15. |
| |
Beim Vergleich zweier Tabellen zur Variabilität der Parameter lässt sich erkennen, dass die letzten vier Parameter in beiden Fällen für die höhere Variabilität der Strukturen innerhalb der jeweiligen Datensätze verantwortlich sind. Volumenfraktion...Fraktion...Entschuldigung. |
| |
Das Gesamtporenvolumen und beide Arten von spezifischer Oberfläche liegen also auf demselben Niveau und sind für die höhere Variabilität zwischen den Strukturen verantwortlich. Wie gesagt, wir haben also weniger... |
| |
Am Ende gibt es weniger Unterschiede zwischen den beiden Strukturen. |
| |
Validierung...trainierte Validierungsspiele wurden auf der Grundlage der erhaltenen Strukturen aus den größten und am besten verteilten Clustern erstellt und stratifiziert. |
| |
Beginnen wir mit der logistischen Regression, der einfachsten parametrischen Analysemethode. Nachdem wir die irrelevantesten Faktoren herausgenommen haben… |
| |
Von den Variablen blieben nur noch das Gesamtporenvolumen und der Volumenanteil übrig. |
| |
Sie sind außerdem stark korreliert, wie zum Beispiel |
| |
Ein sehr großer Prozentsatz der Korrelationen ist es. Allerdings bräuchte man dafür, wie Sie sehen, etwa denselben LogWorth-Wert, was bedeutet, dass wir Folgendes nicht ausschließen können: |
| |
Zum Beispiel der Volumenanteil... Anteil, weil ich es einmal ausprobiert habe, um zu testen, wie es funktioniert, und der Mangel daran wurde signifikant und |
| |
Die Fehlklassifizierungsrate in der Validierung betrug 20 %. Im Vergleich dazu erzielten wir in der Validierung keine Fehlklassifizierungen bei vollständig korrekter Zuordnung jeder Gruppe. |
| |
und mit einer geringen... ziemlich geringen Fehlklassifizierungsrate im Trainingsdatensatz. Die übrigen Metriken... Messgrößen der Modellleistung werden am Ende ausführlicher besprochen, wenn wir die Leistung aller Modelle vergleichen. Auch ihre jeweiligen |
| |
Gleichungen zur Vorhersage der Wahrscheinlichkeit, die vorhergesagte Struktur wurde erstellt und gegeben, wurde erhalten und gegeben... dargestellt auf dieser Folie. Gehen wir also weiter. Deshalb im nächsten |
| |
Bei der Modellierung verwendeten wir nur diese beiden Parameter...Parameter, um beide Strukturen (2D oder 3D) vorherzusagen, daher hat die Verwendung der nächsten Nachbarn als nichtparametrisches Modell die besten Ergebnisse geliefert. |
| |
Metriken... beste Leistung und Validierung bei 1K, daher genügt bereits ein Nachbar, um die zugewiesene Struktur zu erkennen. Wie wir aus dem Diagramm sehen können... |
| |
Ich meine, das Gesamtporenvolumen und den Volumenanteil, Entschuldigung, damit wir sehen können, dass |
| |
Bei 2D-Darstellungen ist diese Struktur in höherer Konzentration vorhanden. |
| |
sehr |
| |
Sie konzentrieren sich auf einen Punkt. Im Gegensatz zu 3D sind sie jedoch ziemlich weit verstreut. Deshalb werden die Abstände verglichen. Hier im rechten Teil der Folie sehen Sie, dass die größten Abstände zwischen den Nachbarn mit Folgendem zusammenhängen: |
| |
3D-Strukturen werden sowohl im Validierungs- als auch im Trainingsdatensatz verwendet. Daher können wir auch dieses nichtparametrische Modell nutzen – ein einzelnes nichtparametrisches Modell, das wir für die Attributionsanalyse mit nur diesen beiden Parametern anwenden können. |
| |
Die quadratische Diskriminanzanalyse liefert keine Fehlklassifizierungen im Validierungsdatensatz und weniger als 5 % Fehlklassifizierungen im Trainingsdatensatz, wobei lediglich acht Stichproben falsch klassifiziert werden. Es ist also ganz einfach, wie in der Konfusionsmatrix und im Paralleldiagramm ersichtlich ist. |
| |
Und auch der Rest der... |
| |
Die restlichen Parameter werden später beschrieben und besprochen, da dieses Modell einige Besonderheiten aufweist. |
| |
Noch interessanter wird es sein... wir werden sehen. Naive Bayes ist also ein weiteres parametrisches, aber sehr einfaches Modell, das ebenfalls keine Fehlklassifizierungen liefert. Die Situation wird also ziemlich wettbewerbsintensiv. |
| |
Wie wir hier sehen können, sind beide Parameter hinsichtlich ihrer Auswirkungen nahezu gleich. |
| |
Der Gesamteffekt beträgt fast 0,88 für das Gesamtporenvolumen und fast acht...0,8 für den Volumenanteil, daher tragen sie bei ihrer Klassifizierungsaufgabe nahezu gleich viel bei. |
| |
Und es wurden auch einfache Diagramme zur Vorhersage erstellt. |
| |
Die Support-Vector-Machine wurde nicht demonstriert, obwohl sie eine hervorragende Leistung erbringt. Wie wir sehen können, wurden von 64... Entschuldigung, 46 ??? Vektoren verwendet, um ein solches Modell zu erstellen, das am Ende keine Fehlklassifizierungen aufweist. Und einige |
| |
Fehlklassifizierung im Training (6%) und vor allem der größte Prozentsatz an Fehlklassifizierungen betraf genau 3D, sie wurden falsch klassifiziert. |
| |
Okay, machen wir weiter. Schließlich kommen wir zu einem komplexen Modell, das unüberwachte und überwachte Ansätze kombiniert: der unüberwachten PCA. In diesem Fall haben wir alle... |
| |
Wir haben quantitative, kontinuierliche Parameter berücksichtigt, darunter alle, auch solche, die stark miteinander korreliert sind, und diese zusammengetragen. |
| |
Diagramme und Grafiken zur PCA. Wie wir sehen können, gibt es zwei Hauptkomponenten mit den folgenden Werten: |
| |
Nach der Kaiser-Regel gibt es mehr als eine Komponente, was bedeutet, dass wir an diesem Punkt eine dritte Komponente haben, die fast gleich groß ist. Diese dritte Komponente werden wir nicht in das Vorhersagemodell einbeziehen. Wir werden nur die ersten beiden Komponenten berücksichtigen. |
| |
wobei diese Eigenwerte größer als eins waren. Interessanterweise sehen wir hier, dass die erste Komponente, die Hauptkomponente, die fast 66 % der Fälle beschreiben kann, Folgendes umfasst: |
| |
Nehmen wir an, LIS, LFS, LSFP und Kanäle... Kanalparameter, also Größe in X-, Y- und Z-Richtung. Das wäre dann zum Beispiel: ??? Kanäle, ??? Kanalsatz. |
| |
Die zweite Komponente ist größtenteils positiv und lässt sich durch beide Arten von spezifischer Oberfläche und Porosität beschreiben. Es handelt sich hierbei um rein texturelle Parameter. |
| |
Wie wir sehen können, beobachten wir auch hier einen solchen Zertifizierungsunterschied und können in dieser Beschreibung Rückschlüsse auf den Beitrag beider Parameter zur Vorhersage ziehen. |
| |
Strukturen. Nachdem wir also eine logistische Regression erstellt haben, die nur diese beiden Hauptkomponenten verwendet, wird ihre Formel in unserer Publikation, genauer gesagt in unserem Abstract, angegeben, und zwar in dem Beitrag, den wir im Rahmen des aktuellen Gipfeltreffens einreichen werden. |
| |
Auch hier hatten wir erwartungsgemäß eine Fehlklassifizierungsrate von null und eine sehr, sehr niedrige Fehlklassifizierungsrate von unter 1 % im Training – was bei den vorherigen Modellen nicht beobachtet wurde. Nun kommen wir zum wichtigsten Punkt. |
| |
Der interessanteste Teil ist die Schlussfolgerung über unsere |
| |
zusammengefasst |
| |
Modelle. Wie wir sehen, fassen wir die Fehlklassifizierung im Trainingsdatensatz zusammen, offensichtlich aufgrund einiger falsch klassifizierter Werte. Wir sehen die logistische Regression... die Regressionsmodelle. |
| |
Wie einfache und PCA-basierte Verfahren, hier oben im Diagramm nach Fehlklassifizierung und Validierungsdiskriminanzanalyse. Jedoch |
| |
Was wir hier sagen können, ist, dass wir alle unsere Fehlklassifizierungs-Arrays oder Genauigkeiten als Gegenteil von Parametern betrachten sollten. Wir sollten andere Metriken vergleichen. |
| |
Wir können also sehen, dass wir – gut – auch nach anderen Kriterien höhere Werte erzielen, was für die Diskriminanzanalyse von Vorteil ist. Aber wenn wir genauer hinschauen, |
| |
Wir werden sehen... jeder wird erkennen, dass es einen enormen Unterschied zwischen diesen Kennzahlen gibt, sogar zwischen der Fehlklassifizierungsrate, zwischen Validierung und Training. Daher können wir Folgendes tun: |
| |
Wir hatten einige Probleme mit Overfitting oder Underfitting. In diesem Fall beschäftigen wir uns hauptsächlich mit Underfitting, da die Invalidierung von Metriken besser ist als... |
| |
Für das Training. Normalerweise tritt das Gegenteil auf, ja, in den meisten Fällen geht es um Überanpassung, wenn das Training die Daten überanpasst und wir bei der Validierung schlechtere Metriken erhalten. Hier ist es genau umgekehrt, deshalb |
| |
Diese Kennzahlen, wie Entropie R² und generalisiertes R² und mittlerer Log P sowie die Fehlklassifizierungsrate, |
| |
Die Unterschiede zwischen diesen vier Kennzahlen wurden analysiert, und deshalb wählen wir die Besten der Besten aus. Wie bereits erwähnt, zeigte die Diskriminanzanalyse die höchsten Werte. |
| |
Die Qualität der Leistung weist jedoch einen der größten Unterschiede zwischen den Validierungsmetriken im Training im Vergleich zu anderen auf. Denken Sie daran, |
| |
Bei der Überprüfung ergaben alle den Wert Null, was bedeutet, dass wir fast alle auswählen können. |
| |
Jeder einzelne Wert, mit der optimalen Balance anderer Metriken... Unterschiede der Metriken zwischen Validierung und Training. Was wir hier beispielsweise sehen können, ist der niedrigste Wert... |
| |
Der geringste Unterschied zwischen Fehlklassifizierungsrate und Entropie R² ist auf die logistische Regression in Kombination mit der PCA zurückzuführen. |
| |
Zwei weitere Kennzahlen, wie die generalisierte Differenz zwischen... (Differenz des generalisierten R² und des mittleren Log P), werden beobachtet. |
| |
Für Support Vector Machines (SVM) ist dieses Modell ungeeignet. Für Naive Bayes können wir dieses Modell jedoch nicht wählen, da mindestens zwei Fälle zutreffen. |
| |
Bei den Parametern gibt es einen sehr großen Unterschied. Deshalb |
| |
Wir können davon ausgehen, dass für optimale Ergebnisse und höchste Genauigkeit eine logistische Regression auf Basis der PCA empfehlenswert ist. Optional kann auch eine Support-Vector-Machine als weiteres Modell zur Vorhersage von 2D- und 3D-Strukturen eingesetzt werden. Weitere Details und mehr |
| |
Die Methoden werden in unserer Arbeit beschrieben, die wir innerhalb von zwei Wochen einreichen werden. |
| |
und auf der Website der JMP Community veröffentlicht werden. Vielen Dank, es war mir eine große Freude, diese Präsentation halten zu dürfen. Mein besonderer Dank gilt auch meinem Kollegen David Kirmayer von der Hebräischen Universität Jerusalem in Israel. Vielen Dank für Ihre Aufmerksamkeit. |
| Josh Staunton |
In Ordnung. |
| |
Vielen Dank, meine Herren. |
