756810_ja-JP

liliconcom

JSLを用いた構造特性による共有結合性有機骨格の分類における最新アプローチ（2021-US-30MP-874）

マイケル・ナザルコフスキー、リオデジャネイロ・カトリック大学化学科（DQ PUC Rio）
フェリペ・ロペス・デ・オリベイラ、リオデジャネイロ連邦大学化学研究所 (IQ UFRJ)

共有結合性有機骨格（COF）は、1つまたは複数の構成要素の共有結合によってボトムアップ方式で設計された、結晶性有機ナノ多孔質材料の新たなクラスです。構成要素の量と多様性が非常に大きいため、合成可能なCOFの種類は膨大です。この意味で、新しい材料の合成を導くことができる機械学習技術の開発は極めて重要です。本研究では、590個の構造を選択した後、DFT法とグランドカノニカルモンテカルロ法を用いて、これらの構造によるCO2またはH2の吸着および捕捉のエンタルピーを決定しました。また、分類モデルの開発も試みました。

本研究では、JSL (JMP Pro 15) でコーディングされた教師なし (階層的クラスタリング、PCA) および教師あり (多重ロジスティック回帰、ナイーブベイズ、KNN、SVM) 手法を用いて構造を分類した。COF は 2D と 3D に分けられた。最大のクラスターを選択して教師あり機械学習を実行し、トレーニング/検証比率 (80%/20%) の不均衡を避けるために、構造 (2D 62.9%、3D 37.1%) でデータを層別化した。テクスチャ特性による 2D/3D 分類は、すべてのモデルで 100% の精度 (検証) で正常に完了した。最適なモデルを選択するために、エントロピー R2、一般化 R2、平均 -log(p) などの他の指標を比較検討した。

自動生成された文字起こし...

スピーカー	文字起こし
ジョシュ・スタントン	マイケル。
マイケル・ナザルコフスキー	やあ、ジョシュ、ちょっと待って。
	わかった。
マイケル・ナザルコフスキー	ああ、いやいや、うまくいってるよ。
ジョシュ・スタントン	よかった、見えました。ありがとうございます。
マイケル・ナザルコフスキー	あなたが。
	フィリッピを待っている間に、彼が一番乗りだと言っていたので、10分前に彼と話したばかりです。それで、今録音しているんですね。
ジョシュ・スタントン	はい、録画が始まりました。この部分は編集でカットします。
	フィリップが参加したら、いくつか質問にお答えして、その後、カメラと息子をオフにして、皆さんに引き継ぎます。でも、これをやってくれてありがとう。感謝しています。
マイケル・ナザルコフスキー	ああ、本当にありがとうございます。参加できる可能性があるというメッセージを受け取った時は、本当に驚きました。
	このイベント、というか実際には3～5人くらいかな。実は、私がこのイベントのことを知ったきっかけは、去年の10月に開催されたセッションに参加したことです。とても感動しました。本当に素晴らしいトピックが解説されていたので、今年はこの機会を逃したくないと思ったんです。
ジョシュ・スタントン	うん、最高だね。
	ええ、残念ながら、今年は対面での開催となりますが、それでも素晴らしいコンテンツをご用意しています。
	将来的には、皆さんにぜひ、いつも楽しい対面式の体験イベントにご参加いただければと思っています。
マイケル・ナザルコフスキー	ああ、そうだといいな。
	私は昨年初めからジャムを使い始めました。ちょうどパジャマを作り始めた頃です。
	ええ、ええ、とても手っ取り早く、非常に簡単に言うと、そうですね。
	ええ、そしてパンデミックは、実際には多くの成功を収めました。その結果の一つとして、あるいはその結果として、このプレゼンテーションで今ご覧になる結果の一つとして。
	そしてそれについて出版も始め、実際現時点では、おそらく私は共著者であり、同時に3つの記事を執筆しており、JMPに関わっていることはよく分かっています。
	来て。
ジョシュ・スタントン	美しいものすべて。
	あなたにぴったりの速習法です。
マイケル・ナザルコフスキー	ご存知の通り、統計的思考には非常に役立ちます。
	うん、そうだね。
	うん。
ジョシュ・スタントン	以前は、分析を行うためにオープンソースのようなものを使用していました。
マイケル・ナザルコフスキー	オープンソースのことですね。
ジョシュ・スタントン	オンか何か。
	それを他人のものに矮小化する。
マイケル・ナザルコフスキー	ああ、いやいやいやいやいや、Python を学び始めたんだけど、でもね。
	つまり、学習におけるいくつかの困難に対処するということです。
	私は化学者であり物理化学者で、実際にこれら全てを化学材料科学に使用しています。今ご覧のとおりです。そこで、進歩するために、PythonからMathLabに並行してPro Six Roadに切り替えることにしました。
	JeffのMetalab向け機械学習インターフェースは、科学者にとって十分すぎるほどの機能を備えている。
ジョシュ・スタントン	はい、ええ、それは素晴らしいですね。それを受け入れて、うまくやっているのは素晴らしいことです。
マイケル・ナザルコフスキー	では、フィリッピにテキストメッセージを送ってみましょう。
	えっと、どうしたんですか、どうしたんですか、彼は1時間ほど前にインターネットの問題でトラブルに見舞われました。
	はいはい。
	彼は入ろうとしている。
ジョシュ・スタントン	彼はまだ入っていません。
	奇妙な。
ジョシュ・スタントン	リアルタイムで。
	つまり、パスワードを入力する必要はなく、リンクをクリックするだけで直接アクセスできたということですね。
マイケル・ナザルコフスキー	ええと、彼にリンクを送ったんですが、パスワードが必要だったかどうか覚えていません。
ジョシュ・スタントン	あなたはビジネスをするべきではない。
マイケル・ナザルコフスキー	そういうことなんです。だから今、彼が私に何かメッセージを送っているところです。もうすぐ届きます。
	おお。
	ああ、そうそう、問題はZoomがまたトラブルを起こして、今インターネットに問題があるということなんです。
	おお。
マイケル・ナザルコフスキー	1時間ありますね。
ジョシュ・スタントン	彼は今まさに参加しようとしています。
マイケル・ナザルコフスキー	よかった。
	はい。
フェリペ・ロペス	こんにちは。
マイケル・ナザルコフスキー	こんにちは、ついにあなたはヒーローです。それで、プレゼンテーションを開始します。ジョシュはちょうど私たちを待っています。実際、私たちは間に合っています。
フェリペ・ロペス	はい、いつでも大丈夫です。
ジョシュ・スタントン	確かに、ある時、つまり、あるべき時が来る。
	はじめまして、私の名前は。
	ジョシュ、いや、私はそうは思わない。
	レコーダーを見てください。いくつか質問をしますので、それが終わったら皆さんにバトンタッチします。カメラをオフにして、皆さんに持って行ってもらってください。この部分はすべて編集でカットします。
	わかった。
	今は録画しておく価値はあるけど、その部分は後で編集でカットするよ。
	いくつかお伝えしたいことがあります。
	そうですね、そうだと思います。
	つまり、明らかに、リオデジャネイロのポンティフィカル・カトリック大学出身のマイケルが私たちのコスキであり、彼はロペス・デ・ラ・ビエハです。
	リオデジャネイロ連邦大学、そして君たちはそこへ行くことになる。
	水のアプローチとカークランドの分類、またはジェイルセル2021ダッシュ米国デスク30MPダッシュ874を使用したテクスチャ特性によるフレームワークの取得は正しいように聞こえますか。
フェリペ・ロペス	はい。
マイケル・ナザルコフスキー	はい、フルネームです。
ジョシュ・スタントン	はい、フルネームです。
	これはJMP Discovery Summit Conferenceのために録画されており、一般公開されることをご理解ください。JMPユーザーコミュニティはこの録画および使用を許可しますか？
フェリペ・ロペス	はい、そうです、ありがとうございます。
マイケル・ナザルコフスキー	はい、結構です。
ジョシュ・スタントン	マイケル、君はいい子だね。
	ええ、もちろんです。
	ええ、一種の例えですね。
	あなたたちは持っているようですね。
	あなたの携帯電話は電源が切れていて、私のように、あるいはそのようなことが起こる可能性があります。
マイケル・ナザルコフスキー	破壊しろよ。
	邪魔になるものがあれば何でもオフにします。古い音やスカイウェイはこれらの要件を覚えておいてください。ジョージ、セッション中に教えてください。つまり、セッションの録音後に、関連するものをキャッチするか、全体のようにするかです。
ジョシュ・スタントン	はい、そのまま通ると思います。何らかの理由で何か問題が生じたとしても、途中で編集を加えることはないと思います。
	起こったことは壊滅的だった。最初からやり直すこともできるが、彼らはあなたをそのまま通してくれると思う。心配しないで。ほら、私たちはみんな人間だからね。
	間違いを犯したけど、そのまま流れに身を任せてみよう。誰も完璧である必要はないし、統計も完璧ではないから、君も完璧である必要はない。
	どうぞ。
フェリペ・ロペス	いいえ。
ジョシュ・スタントン	ごめんなさい。
	マイケル、それでいいかな？いい感じ？
マイケル・ナザルコフスキー	うん、何も問題ないよ、何も問題ない。
	ええ、そうですね。
ジョシュ・スタントン	最後に目にするもの。
	わかった。
	うん、もうその点では問題ないよ。
	よし、タスクバーだけにしよう。
	今からそうします。
	他に質問はありますか？それとも、プレゼンテーションの準備はほぼ整っていますか？
	は。
マイケル・ナザルコフスキー	はい。
	うん、そうだと思う。
フェリペ・ロペス	マイケル、私の画面を共有して。あなたはどのように画面を共有しますか？
マイケル・ナザルコフスキー	あなたは兄弟ですか？
	でも、ジョシュ、技術的にはお互いに画面を共有しても問題ないよ。
ジョシュ・スタントン	うん、それでいいよ。
	スライドをきちんと進めていて、スライドが遅れすぎていないことを確認してください。
マイケル・ナザルコフスキー	そうだけど。
ジョシュ・スタントン	ええ、もちろんですよ。皆さん、ご存知のとおりです。
マイケル・ナザルコフスキー	私たちは、彼らが同じプレゼンテーション全体を持っていること、つまり私たちのすべての部分が一緒になっていることを行います。ですから、順番にそれを行えば問題ありません。ありがとうございます。
ジョシュ・スタントン	了解です。皆さんはZoomを使って画面共有する方法をご存知ですよね。
	はい。
フェリペ・ロペス	ここでは、急いでいる様子を準備しているところです。
	これを置いてください。
	はい。
ジョシュ・スタントン	あなたの背景画像が好きです。
フェリペ・ロペス	今、画面を共有しています。
マイケル・ナザルコフスキー	よかった、すべて順調です。
フェリペ・ロペス	うん。
	プレゼンテーションの問題ですよね。
	画面に向かっているのですが、時々間違った画面に進んでしまい、吐いてしまうんです。
マイケル・ナザルコフスキー	完璧だ、すべてが完璧だ。
ジョシュ・スタントン	それは素晴らしいですね。私は自分のものをオフにします。
	私のカメラは今手元にありますが、皆さんにお渡しします。改めてありがとうございました。
	最後に話せばいいと思う。
マイケル・ナザルコフスキー	ジョシュ、また会えたらよかったのに。
ジョシュ・スタントン	それでは、お気をつけて。
フェリペ・ロペス	皆さん、こんにちは。私の名前はフェリペ・ロペス・デ・オリベイラです。リオデジャネイロ連邦大学に所属しており、マイケルと共にこの研究を発表します。
	同じくリオデジャネイロにある教皇庁立カトリック大学のナザルコフスキー氏。本日は、JSLソフトウェアを用いたテクスチャ特性による共有結合性有機骨格の分類における現代的アプローチに関する研究を発表します。
	つまり、共有結合性有機骨格は、炭素、窒素、酸素、水素、ホウ素といった軽元素のみで構成される新しい種類の材料である。
	これらは有機質で結晶性があり、ナノ多孔質で、網状構造において非常に安定している。つまり、これらの材料を形成する化学結合は、ネットワークのトポロジーによって規定される明確な幾何学的パターンに従うということである。
	この画像では、周期的に接続された三角形と棒で構成された HCB 型格子の一例を示しています。
	拡張ネットワークを形成します。これらの三角形と棒は分子を表しており、これらは共有結合して拡張構造を形成する構成要素と呼ばれます。
	このような幾何学的特性を持つ。多くの異なるタイプがある
	構成要素として使用できる分子の幾何学的構造と、それらを結合するために使用するいくつかの種類の化学結合。
	このようにして、内部の物理的、化学的特性を???の順序で制御できるような、極めて特殊な特性を持つ構造を形成することが可能です。
	それは可能であり、構成要素によって定義されます。つまり、構成要素はレゴブロックのようなものと考えることができ、異なるブロックを使用して、独自の特性を持つ複数の構造を構築できます。
	このスライドでは、2次元および3次元の共有結合性有機骨格を構築するために使用できるさまざまなトポロジーを示します。
	また、これらのネットワークを構築するために各構成要素が満たさなければならないフォーマットも示しています。右側には、COFの結晶構造モデルの例を示します。
	将来的に関心のある特性を計算するために使用されるネットワークを備えています。このフォーマットは、2次元の共有結合層で構成される構造を形成していることがわかります。
	そしてこれらの層は、地理における三次元空間に相当する形で積み重ねられている。
	COFは驚異的な変調能力を持つため、不均一触媒、エネルギー生産、貯蔵、
	有機半導体、化学センシング、断熱材、ガス捕集・貯蔵など。しかし、モジュール性が高いため...
	このモジュール化の拡大は問題となる可能性もあるが、これらの材料の開発は非常に複雑である。
	それらは、化学的直感と入手可能な分子の組み合わせによって開発されるのが一般的です。
	複数の合成および特性評価のステップを、高誘電率材料で繰り返すことにより、この材料が開発される。
	この材料の開発は非常に時間がかかり、費用も高額で、20人以上の専門家が必要です。そして、時には、これらの努力がすべて報われないこともあります。
	望ましい特性を持つ材料にはつながりません。そこで、この問題を解決するために、私たちは...
	この問題を解決するために、これらの材料を研究し、その開発を加速させるためのシンプルで計算的なアプローチを提案します。
	当初は、文献で合成・発表された複数の構造をまとめた、キュレーションされたCOF（共有結合性有機骨格）の構造データベースを使用していた。
	次に、構築ルーチンを使用して、これらの構造を検証し、すべてが正常であることを確認するための値を生成しています。次に、DFTベースの
	CP2K と呼ばれる電子構造計算ソフトウェアを使用して、構造の原子位置の自己パラメータを最適化します。次に、ZEO++ と呼ばれるソフトウェアを使用します。
	これは、細孔の幾何学的解析を行い、内部に形成される???ネットワークの形成とパーセンテージの一致を計算します。
	そして、選択されたコストに対して一連の構造記述子を決定します。これは、私の同僚であるマイケルがJMPソフトウェアで作成したスクリプトで、非常に興味深い分析をいくつか実行するためのものです。
	さて、ここでは私たちが使用する主な構造を示します。まず、構造IDがあります。これは基本的に、構造名の分類だと思います。
	そして次に、LIS（Large Included Sphere：大きな包含球）があり、これは材料の細孔径に関する情報を提供します。
	LFS（ラージフリースフィア）とLSFP（ラージスフィアフリーパス）があり、これは基本的にラージインクルーデッドスフィアと同じですが、情報をエンコードできます...
	細孔径の違いは、細孔内のいくつかの官能基化の影響によるものです。また、比表面積であるSSAとSSAVも、どちらも単位体積あたりの平方メートル（グラムあたり）で表されます。
	AVFはアクセス可能な体積率であり、材料のうちどれだけが細孔で構成されているかを示し、Vpは細孔体積です。
	そして、アクセス可能なチャネルの数であるN(chan)があります。
	図ではチャネルが1つしかない構造を示していますが、三次元材料は複数のアクセス可能なチャネルを持つことができます。
	ChanDimはチャネルの次元を表し、この構造のように1D、2D、3Dの場合があります。チャネルサイズは、基本的には細孔径ですが、構造によっては少し異なる場合があります。
	それでは、マイケルが結果について少しお話しします。
マイケル・ナザルコフスキー	はい、どうもありがとうございます。フェリペさん、素晴らしいご紹介をありがとうございました。それでは、これから純粋なデータ分析とデータサイエンスについてお話しします。では、今度は私が画面を共有させてください。では、これから私がやろうとしていることを説明します。
	完璧だ。素晴らしい。
	さて、では第2部の最初から始めましょう。フェリペが得た膨大な数の構造のデータを分析する時が来ました。
	少々お待ちください。はい、結構です。最初の、例えば分析を行う前の段階で、データを取得して、誤った構造や無関係な構造を除外する必要があります。
	欠損値を検出するためにスクリーニングを行いました。分析とスクリーニング中に欠損値は検出されませんでした。また、
	利用可能な構造の絶対大多数が構造に割り当てられ、85%以上と15%すべてが3D構造になります。そのため、最初から予測する不均衡なデータセットがあります。
	チャネルは一次元に割り当てられます
	チャンネルはもっと多く、80%以上、約17%は3D次元のチャンネルに起因し、2%弱が2次元のチャンネルに起因しています。
	さらに、これらのチャネルはすべて非常に等方性であるため、すべての方向（X、Y、Z）で等しく、これはデータの3次元3D図に反映されます。
	構造、つまり2D構造と3D構造の間で全てのデータを分配すると、一次元と二次元が圧倒的多数を占めていることがわかります。2D構造の90%以上を占め、3D領域はそれよりも少ないです。
	3D、つまり3D、3次元チャネルです。ほぼ60%以上が3D構造で占められていますが、かなり...かなり高い量です
	3 のうち 2D 構造も、85% のようなはるかに高い値を持っているため、2D 構造によって占められています。
	それを避けるために、そのような不均衡を避けるために
	状況により、私たちは監視されていないいくつかの
	機械学習の教師あり学習法と併せて
	データ準備後。では、これらの分析の最初の段階で何をするのでしょうか？多変量解析で共線性を検出します。
	そして、パラメータ間の相関関係。ご覧のとおり、最初の3つ（LIS、LFS、LSFP）は高い相関関係にあるため、1つを他のものに置き換えることができます。ただし、このような特性は、PCAの分析において非常に重要になります。
	（主成分分析）。そのため、階層的クラスタリングにおいては、これらのパラメータのうち1つだけを選択しました。
	チャネルサイズの場合、X、Y、Zも等方性であるという意味は同じです。ただし、
	それらすべてを保持するという決定が下されました。なぜなら、これは主要な COF の 2D 化合物のネイティブ構造と密接に関連しているからです。
	さて、その数が非常に多いため、約500の構造の中から、より重要で関連性の高い13のクラスターを選択することにしました。これは、比率またはクラスター全体の数から取得した部分によって最適である可能性があり、それらを分析します。
	平均値について
	これらのパラメータは、表に反映されています。
	ご覧のとおり、13 の後にもう 1 つの大きな数字があります
	クラスタリングの削減... クラスタ間の距離が小さいため、13 が最適なクラスタ数であると想定されました。そして、その中から最も大規模なクラスタであるクラスタ #7 を選択しました。このクラスタには...128 が含まれています。
	2次元構造のサンプルなので、後で分類に使用されます。
	3D構造は、どう言えばいいでしょうか…すでに同じと言ってもいいでしょう。LIS、LFS、LSFPの間には依然として高い相関関係が見られました。そのため、
	クラスター抽出の条件は2Dの場合と同じでした。ただし、クラスターの数は少なく、7つにしました。しかし、これらの7つのクラスターから、少なくとも4つを残して、4つだけを抽出しました。
	2Dと3Dの比率は等しく近づきます。そして等しくはなりません。
	しかし、次のスライドでご覧いただけるように、85対15よりもはるかに良く、不均衡も少なくなります。
	パラメータの変動に関する 2 つの表を比較すると、どちらの場合も最後の 4 つが各セット内の構造の変動性が高い原因となっていることがわかります。体積破壊...分数...すみません、
	全細孔容積と両方のタイプの比表面積が同じレベルにあるため、構造間の変動性が高くなっています。そのため、先ほど述べたように、より少ない...
	最終的には、2つの構造間の違いは小さくなる。
	検証...訓練された検証は、最も大規模なクラスターから取得され、よく分布している構造に基づいて構築され、層別化された 2 つのセットを再生しました。
	それでは、最も単純なパラメトリック分析であるロジスティック回帰から始めましょう。最も無関係な変数を除外した後、
	変数としては、総細孔容積と体積率の2つだけを残しました。
	また、それらは高い相関関係があり、
	相関関係の非常に大きな割合がそうです。しかし、ご覧のとおり、同じ LogWorth が 1 つ必要になります。つまり、除外することはできません。
	例えば、体積分率...分数というのは、一度テストしてみたところ、その不足が顕著になり、
	検証における誤分類率は20%でした。それに対し、ここでは検証において誤分類はゼロで、すべてのグループに対して完全に正しい割り当てが得られました。
	そして、トレーニングセットにおける誤分類率も非常に低い。残りの指標、つまりモデルのパフォーマンスの尺度については最後に詳しく説明するので、その際にすべてのモデルのパフォーマンスを比較します。また、それぞれの
	確率を予測する方程式、予測された構造が作成され、与えられ、取得され、与えられました...このスライドに示されています。では、さらに進みましょう。これが、次のスライドで
	モデリングでは、これらの 2 つのパラメータのみを使用しました... パラメータは、両方の構造 (2D または 3D) を予測するため、最近傍をキックして非パラメトリック モデルとして最良の結果を得ました
	メトリクス...1Kで最高のパフォーマンスと検証が得られたので、割り当てられたものを認識するには1つの近傍だけで十分です...構造を認識するために。図からわかるように...
	つまり、総細孔容積と体積分率、すみません、それで、
	2Dでは、この構造がより濃縮されています。
	とても
	1箇所に集中しています。しかし、3Dとは対照的に、かなり広がっています。そのため、距離を比較することになります。スライドの右側の部分を見ると、隣接間の最大距離は、
	検証セットやトレーニングセットと同様に、3D構造を使用します。そのため、これらの非パラメトリックモデルも使用できます。つまり、この2つのパラメータのみを使用して、単一の非パラメトリックモデルをアトリビューションに適用できます。
	また、二次判別分析では、検証セットでの誤分類はゼロ、トレーニングセットでの誤分類は5%未満で、わずか8つのサンプルが誤分類されています。そのため、混同行列や並列プロット図からもわかるように、非常に簡単です。
	そして残りの部分も…
	残りのパラメータについては後ほど説明します。このモデルにはいくつかの工夫があるため、後ほど議論します。
	さらに興味深いのは…最終的には分かるでしょう。ナイーブベイズは別のパラメトリックですが非常にシンプルなモデルで、誤分類もゼロでした。状況はかなり競争的になってきています…競争的です。
	ここでも両方のパラメータの効果はほぼ等しいことがわかります。
	総細孔容積に対する総効果はほぼ0.88で、体積分率に対する総効果はほぼ8...0.8なので、分類タスクへの貢献度はほぼ等しいのです。
	また、予測のためにシンプルなグラフも作成されました。
	サポートベクターマシンは実証されていませんが、素晴らしいパフォーマンスを発揮します。ご覧のとおり、64...すみません、46???のベクトルを使用して、最終的に誤分類ゼロのモデルを構築しました。そしていくつかの
	トレーニングにおける誤分類は6%で、誤分類の最大の割合は正確には3Dのもので、それらは誤分類されました。
	では、さらに進みましょう。最後に、教師なし学習と教師あり学習を組み合わせた複雑なモデル、教師なしPCAについて説明します。この場合、私たちはすべての教師と教師なし学習の手法を組み合わせました...
	量的連続パラメータには、互いに高い相関関係にあるものも含め、すべてが含まれます。
	PCAの図とプロット。そして、ご覧のとおり、次の値を持つ2つの主要な成分があります。
	カイザールールにより複数存在するため、この時点で、ほぼ1に近いもう1つの成分、つまり3番目の成分がありますが、それを予測モデルには含めません。最初の2つだけを使用します。
	これらの固有値が1より大きい場合。そして興味深いことに、ここで、最初の成分、つまりケースのほぼ66%を説明できる主成分では、これらは、
	例えば、LIS、LFS、LSFP、そしてチャネル…チャネルパラメータ、つまりサイズX、Y、Z、つまり方向です。つまり、例えば???チャネル、???チャネルセットのようなものです。
	そして2つ目の成分は概ね良好で、比表面積と多孔性の両方のタイプで説明できます。これは純粋な構造パラメータです。
	したがって、ここでもこのような認証の違いが観察され、この説明では、予測に対する両方のパラメータの寄与について結論を出すことができます。
	構造。そこで、これら 2 つの主成分のみを使用してロジスティック回帰を構築した後、その式は、現在のサミットの範囲内で提出する予定の論文の要約で示されます。
	ここでも、明らかに、トレーニング中に誤分類率がゼロ、誤分類率が1%未満という非常に低い値が得られました。これは、以前のモデルでは見られなかったことです。それでは、次に最も
	興味深い部分、私たちの結論
	要約
	モデル。ご覧のとおり、トレーニングセットを誤分類によって要約します。明らかに、そこにいくつかの値があります。ロジスティック回帰...回帰モデルが見えます。
	単純なPCAベースのものと同様に、ここでは誤分類と検証判別分析によってチャートの上位に表示されています。しかし、
	ここで言えることは、すべての誤分類配列またはパラメータの反対としての精度を持っているものについては、他の指標と比較する必要があるということです。
	つまり、他の指標でもより高い値が得られ、判別分析が有利であることがわかります。しかし、さらに詳しく見てみると、
	見てみましょう…誰もが、これらの指標、誤分類率、検証とトレーニングの間には大きな違いがあることがわかるでしょう。
	ご存知のように、私たちは過学習や過小学習でいくつかの問題に遭遇しました。この場合、メトリクス無効化の方が優れているため、私たちは主に過小学習に対処します。
	トレーニングの場合。通常は逆のことが起こります。ええ、ほとんどの場合、トレーニングがデータに過剰適合し、検証で指標が悪化する場合に、過剰適合が関係します。ここでは完全に逆なので、これが理由です。
	エントロピーR二乗、一般化R二乗、平均log Pなどのこれらの指標、および誤分類率、
	これらの4つの指標について差異が分析され、これが私たちが最良のものを選んでいる理由です。前述のとおり、判別分析は最高の結果を示しました。
	しかし、パフォーマンスの質に関しては、トレーニングにおける検証指標と他の指標との間に最も大きな違いの1つがあります。
	検証の結果、すべてゼロだったので、ほぼ選択できる
	それぞれが他の指標の最適なバランスを持ち、検証とトレーニング間の指標の差があります。たとえば、ここで見られるのは最低値です...
	誤分類率とエントロピーR二乗値の差が最も小さいのは、PCAと組み合わせたロジスティック回帰によるものである。
	一般化R二乗と平均log Pの差など、他の2つの指標が観察される。
	サポートベクターマシンの場合。ナイーブベイズの場合、少なくとも2つの
	パラメータには大きな違いがあります。これがその理由です。
	最高のパフォーマンスと最も正確な結果を得るには、PCAに基づくロジスティック回帰が推奨され、また、2Dおよび3D構造を予測する別のモデルとしてサポートベクターマシンもオプションで推奨されます。詳細については、
	具体的な方法は、2週間以内に提出予定の論文に記載します。
	そして、JMPコミュニティのウェブサイトに掲載しました。本当にありがとうございました。このようなプレゼンテーションを行うことができて大変光栄でした。また、イスラエルのエルサレム・ヘブライ大学の同僚であるデイビッド・キルマイヤー氏にも深く感謝いたします。ご清聴ありがとうございました。
ジョシュ・スタントン	大丈夫。
	ありがとうございました、皆さん。

高度な統計モデリング自動化とスクリプト作成基本的なデータ分析とモデリング消費者および市場調査コンテンツの構成実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析