| Oratore |
Trascrizione |
| Josh Staunton |
Michele. |
| Michele Nazarkovsky |
Ciao Josh, aspetta un attimo. |
| |
Va bene. |
| Michele Nazarkovsky |
Oh sì no no sta funzionando bene. |
| Josh Staunton |
Bene, ora ti vedo, grazie. |
| Michele Nazarkovsky |
Mentre tu. |
| |
Mentre aspettiamo Phillippi, lui dice di essere il primo, quindi gli ho appena parlato 10 minuti fa, quindi stai registrando proprio ora, sì. |
| Josh Staunton |
Sì, inizia la registrazione, taglieremo questa parte. |
| |
Una volta che avremo esaminato la situazione e avremo un paio di domande da affrontare, quando Philippe si unirà a noi, passerò la parola a voi. Spegnete la mia telecamera e lasciate che mio figlio continui. Grazie per averlo fatto, lo apprezziamo molto. |
| Michele Nazarkovsky |
Oh, grazie mille, davvero, è stata una grande sorpresa per me quando hanno ricevuto questo messaggio sulla possibilità di partecipare. |
| |
In questo evento, o meglio, sono tre o cinque, o meglio, come ne sono venuto a conoscenza, l'anno scorso ho partecipato alla sessione di ottobre dell'anno scorso, e sono rimasto impressionato, oh mio Dio, sono stati illustrati argomenti così validi che ho deciso di non perdere questa opportunità quest'anno. |
| Josh Staunton |
sì, fantastico, meraviglioso. |
| |
Beh, sai, purtroppo, sai, quest'anno sarà in presenza, ma sai, abbiamo comunque degli ottimi contenuti e. |
| |
Speriamo di potervi invitare in futuro a uno dei nostri eventi di presentazione dal vivo, che sono sempre molto divertenti. |
| Michele Nazarkovsky |
Oh sì, speriamo. |
| |
Ho iniziato a usare la marmellata dall'inizio dell'anno scorso, e fin dall'inizio del pigiama. |
| |
Sì, sì, quindi piuttosto veloce, molto semplice, direi. |
| |
sì e la pandemia o io ho successo successo molto in realtà come o come risultato di uno dei risultati, vedrai proprio ora in questa presentazione. |
| |
E ho anche iniziato a pubblicare su questo e in realtà al momento, credo, sono coautore di autore e ho anche forse tre articoli in parallelo, ben consapevole, coinvolgo JMP. |
| |
Dai. |
| Josh Staunton |
Tutto ciò che è bello. |
| |
Apprendimento rapido pensato apposta per te. |
| Michele Nazarkovsky |
Sappi che è di grande aiuto per il pensiero statistico. |
| |
sì, proprio sì. |
| |
Sì. |
| Josh Staunton |
in passato utilizzavamo semplicemente software open source per fare le nostre analisi. |
| Michele Nazarkovsky |
Intendi Open Source, vero? |
| Josh Staunton |
Acceso o qualcosa del genere. |
| |
Ridurlo a qualcosa che appartiene a qualcun altro. |
| Michele Nazarkovsky |
Ah, no, no, no, no, no, sai che ho iniziato a imparare Python ma sai cosa. |
| |
Intendo dire contrastare alcune difficoltà di apprendimento. |
| |
Quindi sono un chimico e un chimico fisico e in realtà uso tutte queste cose per la chimica e la scienza dei materiali, come vedrai adesso sì, quindi ho deciso di passare da Python a MathLab in parallelo a Pro Six Road per fare progressi lì perché. |
| |
L'interfaccia di apprendimento automatico per metalab in Jeff è più che sufficiente per gli scienziati. |
| Josh Staunton |
Sì, sì, no, è fantastico sentirlo, sono contento che tu l'abbia abbracciato e che tu stia ottenendo ottimi risultati, è fantastico. |
| Michele Nazarkovsky |
Bene, fammi, fammi mandare un messaggio a phillippi. |
| |
Okay, wow, cosa sta succedendo? Ha avuto dei problemi con la connessione Internet circa un'ora fa. |
| |
Va bene, va bene. |
| |
sta cercando di entrare. |
| Josh Staunton |
non è ancora entrato no. |
| |
strano. |
| Josh Staunton |
in tempo reale. |
| |
Quindi non hai dovuto inserire alcuna password oppure hai cliccato sul link e sei entrato direttamente, giusto? |
| Michele Nazarkovsky |
Beh, gli ho appena inviato il link, ma non ricordo se sia necessaria una password. |
| Josh Staunton |
Non dovresti avere affari, sì. |
| Michele Nazarkovsky |
Ecco il punto: mi sta mandando un messaggio proprio ora, tra un attimo. |
| |
OH. |
| |
Oh sì, quindi il problema non è che Zoom si blocca di nuovo e ci sono problemi con Internet in questo momento. |
| |
OH. |
| Michele Nazarkovsky |
abbiamo un'ora, sì. |
| Josh Staunton |
Si sta unendo proprio ora. |
| Michele Nazarkovsky |
Oh bene. |
| |
SÌ. |
| Felipe Lopes |
Ciao. |
| Michele Nazarkovsky |
Ciao, finalmente sei un eroe, quindi stai lanciando la presentazione, quindi Josh, proprio così, Josh ci sta aspettando, quindi siamo in tempo. |
| Felipe Lopes |
Sì, certo, in qualsiasi momento. |
| Josh Staunton |
Sicuramente, un momento, intendo il momento di essere. |
| |
Piacere di conoscerti, mi chiamo... |
| |
Josh, cioè, io no. |
| |
Vedete il registratore, quindi farò solo qualche domanda e poi, una volta che avremo finito, vi passerò la parola. Spegnete la mia telecamera e potete prenderla voi, monteremo tutta questa parte. |
| |
Va bene. |
| |
Anche se varrebbe la pena registrarlo subito, quella parte la taglieremo in seguito. |
| |
Quindi un paio di cose. |
| |
Bene, immagino di sì. |
| |
Quindi ovviamente abbiamo Michael come nostro kosky della Pontificia Università Cattolica di Rio de Janeiro, e lui Lopez de la vieja. |
| |
Università federale di Rio de Janeiro, e voi ragazzi andrete lì. |
| |
Approcci idrici e classificazione di Kirkland o ottenere strutture tramite proprietà testurali utilizzando la cella di prigione 2021 trattino scrivania statunitense 30 MP trattino 874 suona corretto. |
| Felipe Lopes |
SÌ. |
| Michele Nazarkovsky |
Okay, il nome completo, il nome intero. |
| Josh Staunton |
Sì, il nome completo, ok ragazzi. |
| |
Vi preghiamo di comprendere che questa registrazione è destinata alla conferenza JMP Discovery Summit e sarà disponibile pubblicamente alla comunità di utenti JMP. Autorizzate quindi la registrazione e il suo utilizzo da parte della community di utenti JMP? |
| Felipe Lopes |
Sì, certo, grazie. |
| Michele Nazarkovsky |
Va bene, perfetto. |
| Josh Staunton |
Michael, stai bene? |
| |
Sì, certo. |
| |
Sì, è una specie di analogia. |
| |
sembra che voi ragazzi abbiate, avete? |
| |
I tuoi telefoni sono un po' spenti e come se io fossi o qualcosa del genere che potrebbe. |
| Michele Nazarkovsky |
Distruggi, sì. |
| |
Qualsiasi cosa che possa disturbare, spegnerò semplicemente i suoni più vecchi e Skyway, ricordati di questi requisiti e George, per favore dimmelo durante la sessione, intendo dopo la registrazione della sessione, coglierai le cose rilevanti o sarà come l'intero. |
| Josh Staunton |
Sì, quindi passerà direttamente, non credo che faranno alcun montaggio durante la trasmissione, nel caso in cui, per qualche motivo, ci fosse qualcosa. |
| |
catastrofico ciò che è accaduto possiamo ricominciare dall'inizio, ma penso che ti lasceranno andare direttamente, non preoccuparti, sai, siamo tutti umani qui, giusto? |
| |
Hai fatto un errore, prova solo ad andare avanti, non è colpa di nessuno, non deve essere perfetto, le statistiche giuste non sono perfette, quindi non devi esserlo neanche tu, ma sì. |
| |
Andare avanti. |
| Felipe Lopes |
NO. |
| Josh Staunton |
Mi dispiace. |
| |
Va bene Michael? Ti sembra una buona idea? |
| Michele Nazarkovsky |
sì, va tutto bene, va tutto bene. |
| |
Quindi sì. |
| Josh Staunton |
L'ultima cosa che vediamo è proprio questa. |
| |
Va bene. |
| |
Sì, già va bene così. |
| |
Va bene, solo la barra delle applicazioni. |
| |
Ora lo farò. |
| |
Avete altre domande o siete praticamente pronti a presentare? |
| |
È. |
| Michele Nazarkovsky |
Sì. |
| |
Sì, immagino di sì. |
| Felipe Lopes |
Condividi il mio schermo Michael, come puoi condividere il tuo schermo? |
| Michele Nazarkovsky |
Sei tuo fratello? |
| |
Ma ok Josh, tecnicamente va bene se condividiamo i nostri schermi uno dopo l'altro, sì. |
| Josh Staunton |
sì, sai che va bene, sì, proprio così. |
| |
Assicurati solo di sapere ovviamente come avanzare le diapositive e di non rimanere troppo indietro rispetto alle diapositive. |
| Michele Nazarkovsky |
sì, ma. |
| Josh Staunton |
Sì, assolutamente, ragazzi, sapete cosa. |
| Michele Nazarkovsky |
Lo faremo, hanno l'intera stessa presentazione, tutte le nostre parti sono insieme, quindi lo facciamo uno dopo l'altro, va bene. Grazie. |
| Josh Staunton |
Ok, fantastico, e sapete già come condividere lo schermo usando Zoom? |
| |
SÌ. |
| Felipe Lopes |
Stiamo solo preparando la corsa qui. |
| |
metti questo. |
| |
SÌ. |
| Josh Staunton |
Mi piacciono i tuoi sfondi. |
| Felipe Lopes |
Sto condividendo lo schermo a destra in questo momento. |
| Michele Nazarkovsky |
Ottimo, tutto a posto. |
| Felipe Lopes |
Sì. |
| |
È la presentazione, giusto? |
| |
Perché vado verso lo schermo e a volte lo schermo sbagliato e vomito. |
| Michele Nazarkovsky |
Perfetto, tutto è perfetto. |
| Josh Staunton |
Sembra fantastico, ora spengo il mio. |
| |
La mia macchina fotografica ora, ma la passerò a voi signori, grazie ancora e. |
| |
Immagino che potremo parlare alla fine, se lo desiderano. |
| Michele Nazarkovsky |
Sarebbe stato bello rivederti, Josh. |
| Josh Staunton |
Va bene, stammi bene. |
| Felipe Lopes |
Allora, ciao a tutti. Mi chiamo Felipe Lopes de Oliveira. Vengo dall'Università Federale di Rio de Janeiro e presento questo lavoro con Michael |
| |
Nazarkovsky, della Pontificia Università Cattolica di Rio de Janeiro. E oggi presentiamo il lavoro "Approcci moderni nella classificazione di strutture organiche covalenti in base alle proprietà tessiturali e... in base alle proprietà tessiturali utilizzando il software JSL". |
| |
Pertanto, le strutture organiche covalenti rappresentano una nuova classe di materiali composti esclusivamente da elementi leggeri come carbonio, azoto, ossigeno, idrogeno e boro. |
| |
Si tratta di materiali organici, cristallini, nanoporosi e altamente stabili in strutture reticolari. Ciò significa che i legami chimici che formano questi materiali seguono uno schema geometrico ben definito, dettato dalla topologia della rete. |
| |
In questa immagine mostro un esempio di reticolo di tipo HCB, che è composto da triangoli e aste collegati periodicamente, |
| |
formando una rete estesa. Questi triangoli e bastoncini rappresentano molecole che possono essere... che voi chiamate elementi costitutivi che sono legati covalentemente e formano una struttura estesa |
| |
con le caratteristiche geometriche di questa natura. Esistono molti tipi diversi di |
| |
Geometrie delle molecole che possono essere utilizzate come elementi costitutivi e diversi tipi di legami chimici che utilizziamo per collegarle. |
| |
In questo modo è possibile formare una struttura con caratteristiche estremamente specifiche, come ??? che possiamo controllare nell'ordine di ??? nelle caratteristiche fisiche e chimiche dell'interno del |
| |
??? che può...che abbiamo definito tramite i blocchi costitutivi. Quindi possiamo pensare ai blocchi costitutivi come ai pezzi Lego, dove pezzi diversi possono essere usati per costruire diverse strutture con caratteristiche uniche. |
| |
In questa diapositiva mostro diverse topologie possibili che possono essere utilizzate per costruire strutture organiche covalenti sia bidimensionali che tridimensionali, |
| |
nonché il formato che ciascun elemento costitutivo deve utilizzare per costruire queste reti. A destra, mostro un esempio di modello di struttura cristallina di COF. |
| |
con una rete ???, che verrà utilizzata per calcolare le proprietà di interesse in futuro. È possibile vedere che il formato forma una struttura composta da uno strato covalente bidimensionale |
| |
e questi strati sono impilati nell'equivalente di una geografia nella terza dimensione. |
| |
Grazie alle loro incredibili capacità di modulazione, i COF possono essere utilizzati per diverse applicazioni estremamente interessanti, come la catalisi eterogenea, la produzione di energia, lo stoccaggio, |
| |
semiconduttori organici, rilevamento chimico, isolamento termico e cattura e stoccaggio di gas, tra gli altri. Tuttavia, a causa della maggiore modularità che... |
| |
Questa maggiore modularità può anche rappresentare un problema, ma lo sviluppo di questi materiali è davvero complesso. |
| |
Vengono utilizzati...di solito vengono sviluppati attraverso una combinazione di intuizione chimica e molecole disponibili. |
| |
Con diverse fasi di sintesi e caratterizzazione ripetute con materiali ad alto ??? si ottiene. Questo materiale è sviluppato... |
| |
Lo sviluppo di questo materiale è molto lungo, costoso e richiede diversi... 20 professionisti per essere realizzato. E a volte, tutti questi sforzi non portano a... |
| |
non portano a un materiale con le caratteristiche desiderate. Quindi, per cercare di risolvere questo problema, noi... |
| |
Per cercare di risolvere questo problema, proponiamo un approccio computazionale semplice e ??? per studiare questi materiali e quindi cercare di accelerarne lo sviluppo. |
| |
Inizialmente utilizziamo un database di strutture, ora sotto forma di COF curati, che ha compilato diverse strutture sintetizzate e presentate in letteratura. |
| |
Quindi utilizziamo alcune routine di costruzione per sviluppare valori per convalidare quelle strutture e assicurarci che tutto sia a posto. Successivamente utilizziamo un approccio basato sulla DFT |
| |
software di calcolo della struttura elettronica chiamato CP2K per ottimizzare i parametri di auto-ottimizzazione nelle posizioni atomiche delle strutture. Quindi utilizziamo un software chiamato ZEO++, |
| |
che esegue un'analisi geometrica dei pori e una corrispondenza percentuale tra la formazione di reti ??? al loro interno. |
| |
Successivamente, determina una serie di descrittori strutturali per i costi selezionati. Si tratta di uno script del mio collega Michael, realizzato con il software JMP, per eseguire diverse analisi estremamente interessanti. |
| |
Bene, qui vi mostro le strutture principali che utilizziamo. Innanzitutto abbiamo un ID di struttura, che in pratica credo sia una classificazione del nome della struttura. |
| |
Successivamente, abbiamo il LIS, acronimo di large included sphere (sfera inclusa di grandi dimensioni), che ci fornisce informazioni sul diametro dei pori del materiale. |
| |
Abbiamo la LFS, la sfera libera grande, e la LSFP, il percorso libero della sfera grande, che in pratica è la stessa cosa della sfera inclusa grande, ma può codificare le informazioni... |
| |
la differenza nel diametro dei pori influenzata da diverse funzionalizzazioni all'interno dei pori. Abbiamo anche la SSA e la SSAV, che è l'area specifica, entrambe in metri quadrati per grammo in metri quadrati per unità di volume. |
| |
AVF, che rappresenta la frazione di volume accessibile, indica quanta parte del materiale è costituita da pori, mentre Vp è il volume dei pori. |
| |
E poi abbiamo N(chan), che è il numero di canali accessibili. |
| |
Nella figura qui rappresentata una struttura con un solo canale, ma i materiali tridimensionali possono avere più di un canale accessibile. |
| |
Abbiamo ChanDim, che rappresenta la dimensionalità dei canali, che può essere 1D, come in questa struttura, 2D e 3D. E la dimensione del canale, che a volte corrisponde al diametro del poro, ma per le strutture ??? può essere leggermente diversa. |
| |
E ora Michael ci parlerà un po' dei risultati. |
| Michele Nazarkovsky |
Sì, grazie mille. Grazie infinite, Felipe, per questa brillante introduzione. Ora passeremo all'analisi dei dati e alla scienza dei dati. Permettetemi di condividere il mio schermo a mia volta, ok? Ecco cosa farò adesso. |
| |
Perfetto. Ottimo. |
| |
Okay, cominciamo dall'inizio della seconda parte. È giunto il momento di analizzare i dati di quelle... di queste... una quantità enorme, direi, di strutture ottenute da Felipe. |
| |
Solo un attimo. Okay, bene. Dopo la prima, diciamo, prima di qualsiasi analisi, devono recuperare i dati ed escludere alcune strutture errate o alcune irrilevanti |
| |
e screening per rilevare valori mancanti. Nessun valore mancante è stato rilevato durante la loro analisi e screening. Abbiamo anche scoperto dopo il |
| |
visualizzazione dei dati che la maggioranza assoluta delle strutture disponibili sono assegnate alla struttura più dell'85% e il 15% tutte in una struttura 3D. Quindi dall'inizio, abbiamo un set di dati sbilanciato ora da prevedere. La maggioranza assoluta del |
| |
canali assegnati a monodimensionale |
| |
canali e ce ne sono semplicemente di più... più dell'80% e quasi il 17% è attribuito alla dimensione 3D e poco meno del 2% è attribuito ai canali che sono bidimensionali. |
| |
Inoltre, tutti questi canali sono piuttosto isotropi, il che significa che in tutte le direzioni (X, Y e Z) sono uguali, cosa che si riflette nel diagramma tridimensionale dei dati (3D). |
| |
Se distribuiamo tutti i dati tra le strutture, intendo le strutture 2D e 3D, potremmo vedere che le strutture monodimensionali e bidimensionali prendono la maggioranza assoluta. Più del 90% per quella struttura 2D e l'area 3D sta prendendo. |
| |
3D, intendo 3D, canali tridimensionali. Quasi più del 60% è occupato da strutture 3D, tuttavia, abbastanza...una quantità piuttosto elevata di |
| |
di tre è occupato anche dalle strutture 2D, perché hanno un valore molto più... un valore molto più alto, tipo l'85%. |
| |
Per evitare ciò, per evitare un tale squilibrio |
| |
situazione, stiamo intraprendendo alcune attività senza supervisione |
| |
approcci, insieme ai metodi supervisionati dell'apprendimento automatico |
| |
dopo la preparazione dei dati. Quindi cosa facciamo nella prima fase di queste analisi, l'analisi multivariata per rilevare la collinearità |
| |
e correlazioni tra i parametri. Quindi, come possiamo vedere, i primi tre (LIS, LFS e LSFP) sono altamente correlati, quindi uno può essere sostituito dagli altri. Tuttavia, tale caratteristica sarà molto importante, durante l'analisi PCA |
| |
(analisi delle componenti principali). Per questo motivo, per il clustering gerarchico, abbiamo selezionato solo uno dei parametri. |
| |
Nel caso in cui anche X, Y e Z per una dimensione del canale, il nostro isotropo significa la stessa cosa. Tuttavia |
| |
È stata presa la decisione di mantenerli tutti, perché ciò è strettamente correlato alla struttura nativa del 2D...del composto 2D...strutture composte dei COF chiave. |
| |
Bene, a causa del loro elevato numero, quasi 500 strutture, abbiamo deciso di selezionarne 13, che possono essere più significativi e rilevanti ottimali per rapporto o la porzione presa da...tutto il numero...intero numero di cluster e analizzarli |
| |
per la media |
| |
parametri, che sono riportati nella tabella. |
| |
Come possiamo vedere che, dopo un numero 13, ce n'è un altro enorme |
| |
riduzione del clustering... distanze dei cluster, quindi per questo motivo 13, si è ipotizzato che fosse la quantità ottimale di cluster. E da questi abbiamo selezionato il cluster più massiccio, il cluster n. 7, che ha contenuto... comprende 128 |
| |
campioni di struttura 2D, che verranno poi utilizzati per la classificazione. |
| |
A loro volta, le strutture 3D sono, come direi... oserei dire che sono già le stesse. Abbiamo ancora osservato ancora un'alta correlazione tra LIS, LFS e LSFP, quindi è per questo che anche |
| |
Le condizioni per l'estrazione dei cluster erano le stesse di quelle per il 2D. Tuttavia con un numero inferiore di cluster, come abbiamo deciso di prenderne sette. Tuttavia da questi sette cluster, ne abbiamo estratti quattro, giusto per mantenerne almeno |
| |
il rapporto tra 2D e 3D più vicino all'uguaglianza. E non sarà uguale, |
| |
Tuttavia, come vedrete nella diapositiva successiva, sarà molto meglio, meno sbilanciato di 85 a 15. |
| |
Dal confronto di due tabelle sulla variabilità dei parametri, possiamo vedere che gli ultimi quattro in entrambi i casi sono responsabili della maggiore variabilità delle strutture all'interno di ciascun set. Frazione di volume...frazione...scusate, |
| |
volume totale dei pori ed entrambi i tipi di superficie specifica, quindi sono allo stesso livello e sono responsabili della maggiore variabilità di tra le strutture. Quindi, come ho detto, abbiamo ottenuto meno... |
| |
Alla fine, la differenza tra le due strutture è minore. |
| |
Validazione...la validazione addestrata ha eseguito due set, costruiti e stratificati sulla base delle strutture ottenute da...presi dai cluster più massicci e ben distribuiti. |
| |
E cominciamo con la regressione logistica, come l'analisi parametrica più semplice...analisi parametrica. Dopo aver eliminato i più irrilevanti |
| |
Tra le variabili, abbiamo lasciato solo due: il volume totale dei pori e la frazione di volume. |
| |
Sono anche altamente correlati, come |
| |
una percentuale molto elevata di correlazioni lo sono. Tuttavia, ci vorrebbe circa, come puoi vedere, scusa, lo stesso LogWorth, quindi significa che non possiamo escludere, |
| |
ad esempio, frazione di volume...frazione perché l'ho fatto una volta per testare come avrebbe funzionato e la sua mancanza è diventata significativa e |
| |
Il tasso di errata classificazione nella validazione è stato del 20%. E rispetto a qui, abbiamo ottenuto nella validazione zero errata classificazione per la piena correttezza... attribuzione corretta a ciascun gruppo |
| |
e con una bassa... piuttosto bassa errata classificazione nel set di addestramento. Il resto delle metriche... misure delle prestazioni del modello saranno discusse più approfonditamente alla fine, quindi confronteremo tutte le prestazioni di tutti i modelli. Anche le loro rispettive |
| |
equazioni per prevedere la probabilità, la struttura prevista è stata creata e data, è stata ottenuta e data...presentata in questa diapositiva. Quindi andiamo oltre. Ecco perché, nel prossimo |
| |
modellazione, abbiamo utilizzato solo questi due parametri... parametri per prevedere entrambe le strutture (2D o 3D), quindi escludendo i vicini più prossimi come modello non parametrico ha dato loro il meglio |
| |
metriche...migliori prestazioni e convalida a 1K, quindi è sufficiente un solo vicino per riconoscere l'assegnazione...per riconoscere la struttura. Come possiamo vedere dal diagramma di... |
| |
Voglio dire, che un volume totale dei pori e una frazione di volume, scusa, così possiamo vedere che |
| |
per il 2D abbiamo una quantità più concentrata di questa struttura. È |
| |
molto |
| |
concentrati in un unico punto. Tuttavia, a differenza del 3D, sono piuttosto dispersi. Ecco perché confronterebbe le distanze. Qui nella parte destra della diapositiva, puoi vedere che le distanze più elevate tra i vicini sono correlate a |
| |
Strutture 3D come nella validazione, come nel set di addestramento. Ecco perché possiamo usare anche questi modelli non parametrici... un singolo modello non parametrico da applicare nell'attribuzione usando solo questi due parametri. |
| |
Inoltre, l'analisi discriminante quadratica non rileva alcuna errata classificazione nella validazione e meno del 5% di errata classificazione nel set di addestramento, classificando erroneamente solo otto campioni. Quindi è anche facile...come si può vedere nella matrice di confusione e anche nel diagramma a linee parallele. |
| |
E anche il resto del... |
| |
il resto dei parametri verrà descritto...sarà discusso in seguito perché questo modello ha alcuni trucchi...sarà... |
| |
più interessante...sarà...vedremo alla fine. Quindi Naive Bayes è un altro modello parametrico ma molto semplice, che ha dato anche zero errori di classificazione. Quindi la situazione sta diventando piuttosto competitiva...competitiva. |
| |
Come possiamo vedere anche qui entrambi i parametri sono quasi uguali per i loro effetti quindi |
| |
l'effetto totale è quasi 0,88 per il volume totale dei pori e per la frazione di volume è quasi otto...0,8, quindi è per questo che il loro contributo al compito di classificazione è quasi uguale. |
| |
Sono stati inoltre creati semplici grafici per le previsioni. |
| |
La macchina a vettori di supporto non è stata dimostrata, anche se le prestazioni sono brillanti. Come possiamo vedere, di 64... scusate, 46 ??? vettori sono stati utilizzati per costruire un modello del genere con zero errori di classificazione alla fine. E alcuni |
| |
errata classificazione in un training (6%) e soprattutto, la percentuale più alta di errata classificazione è stata per esattamente 3D, sono stati classificati erroneamente. |
| |
Okay, andiamo oltre. E infine, arriviamo a un modello complesso che combina approcci non supervisionati e supervisionati, la PCA non supervisionata. In questo caso, li abbiamo presi tutti tutti tutti... |
| |
parametri quantitativi continui, compresi tutti, anche quelli che sono altamente correlati tra loro, e abbiamo costruito |
| |
diagrammi e grafici per PCA. E come possiamo vedere, due componenti principali che hanno i valori di |
| |
più di uno secondo la regola di Kaiser, quindi significa che a questo punto abbiamo un altro componente quasi vicino a uno, il terzo componente, non lo includeremo nel modello di previsione. Includeremo solo i primi due |
| |
dove quegli autovalori erano più di uno. E ciò che è interessante, qui possiamo vedere che nella prima componente, la componente principale che può descrivere quasi il 66% dei casi, questi comprendono, |
| |
Diciamo LIS, LFS, LSFP e canali... parametri dei canali, quindi intendo dimensioni X, Y e Z, quelle direzioni. Quindi è come, diciamo, ??? canali, ??? set di canali. |
| |
E il secondo, il secondo componente è perlopiù buono, potrebbe essere descritto da entrambi i tipi di superficie specifica e porosità. Questo è un parametro puramente strutturale. |
| |
Quindi, come possiamo vedere, anche qui osserviamo una tale differenza di certificazione e possiamo trarre conclusioni sul contributo di entrambi i parametri alla previsione, in questa descrizione del. |
| |
strutture. Quindi, dopo aver costruito la regressione logistica, utilizzando solo queste due componenti principali, la loro formula sarà fornita nella...nella nostra pubblicazione, nel nostro abstract in seguito nell'articolo che sottoporremo nell'ambito...nell'ambito del presente summit. |
| |
Anche qui, ovviamente, abbiamo ottenuto un tasso di errata classificazione pari a zero e un tasso di errata classificazione molto, molto basso, inferiore all'1% in fase di addestramento...durante l'addestramento, che non è...che è...non era...che non è stato osservato per i modelli precedenti. Quindi ora stiamo arrivando al più |
| |
parte interessante, la conclusione sul nostro |
| |
riassunto |
| |
modelli. Quindi, come possiamo vedere, riassumiamo per errata classificazione il set di addestramento, ovviamente perché abbiamo ottenuto alcuni valori lì. Possiamo vedere la regressione logistica...i modelli di regressione |
| |
come semplice e basato su PCA, qui in cima al grafico per errata classificazione e per validazione analisi discriminante. Tuttavia, |
| |
quello che possiamo dire qui, le cose che abbiamo tutti i loro array di errata classificazione o accuratezza come opposto del parametro, dovremmo confrontare altre metriche. |
| |
Quindi quello che possiamo vedere è che, bene, abbiamo anche da altre metriche, valori più alti, quindi vantaggioso dell'analisi discriminante. Ma se guardassimo più da vicino, |
| |
vedremo...tutti vedranno che c'è un'enorme differenza tra queste metriche, anche tra il tasso di errata classificazione, tra validazione e addestramento. Quindi possiamo fare |
| |
qualcosa, sai che abbiamo incontrato alcuni problemi con l'overfitting o l'underfitting. In questo caso, ci occupiamo principalmente di underfitting poiché l'invalidazione delle metriche è migliore di |
| |
per l'addestramento. Normalmente accade il contrario, sì, la maggior parte...la maggior parte dei casi riguarda l'overfitting quando l'addestramento si adatta eccessivamente ai dati e otteniamo metriche peggiori nella validazione. Qui è completamente il contrario, quindi ecco perché |
| |
queste metriche, come l'entropia R quadro e R quadro generalizzato e la media log P, e anche il tasso di errata classificazione, |
| |
sono state analizzate... sono state analizzate le differenze per queste quattro metriche, ed è per questo che stiamo selezionando il meglio del meglio. Come detto prima, l'analisi discriminante ha dimostrato il più alto |
| |
qualità della prestazione, tuttavia, presenta una delle più grandi differenze tra le metriche di convalida nella formazione, rispetto ad altre. Ricorda che |
| |
in fase di convalida, tutti hanno dato zero, quindi significa che possiamo selezionare quasi |
| |
ognuno di essi, con l'equilibrio ottimale di altre metriche... differenze per le metriche tra validazione e training. Quindi quello che possiamo vedere qui, ad esempio, il più basso... |
| |
La differenza più bassa tra tasso di errata classificazione ed entropia R quadro è attribuita alla regressione logistica, combinata con PCA. |
| |
Altre due metriche, come la differenza generalizzata tra... la differenza nel quadrato R generalizzato e la media log P è osservata |
| |
per la macchina a vettori di supporto. Per Naive Bayes, tuttavia, non possiamo selezionare questo modello perché almeno in due |
| |
parametri, c'è una differenza enorme. Ecco perché |
| |
possiamo presumere che per le migliori prestazioni, per la più corretta, si raccomandi la regressione logistica basata su PCA, e anche, facoltativamente, si raccomandi la macchina a vettori di supporto come altro modello per prevedere strutture 2D e 3D. Maggiori dettagli e altro |
| |
I metodi saranno descritti nel nostro articolo, che consegneremo entro due settimane. |
| |
e pubblicarlo sul sito web della comunità JMP. Quindi grazie mille, è stato un grande piacere tenere questa presentazione. Ringrazio anche il mio collega David Kirmayer dell'Università Ebraica di Gerusalemme in Israele. Grazie per l'attenzione. |
| Josh Staunton |
Bene. |
| |
Grazie, signori. |
