756810_zh-TW

liliconcom

利用JSL透過織構性質對共價有機框架進行分類的現代方法（2021-US-30MP-874）

Michael Nazarkovsky，裡約熱內盧天主教大學（DQ PUC Rio）化學系
Felipe Lopes de Oliveira，裡約熱內盧聯邦大學化學研究所 (IQ UFRJ)

共價有機框架（COFs）是一類新興的晶體有機奈米多孔材料，其設計採用自下而上的方法，透過共價鍵將一個或多個結構單元連接起來。由於結構單元種類繁多且數量龐大，因此可以合成大量的不同COFs。從這個意義上講，開發能夠指導新材料合成的機器學習技術至關重要。本研究選取了590個結構，並採用密度泛函理論（DFT）和巨正則係綜蒙特卡羅方法計算了這些結構對CO₂或H₂的吸附和捕獲焓。此外，也嘗試建立分類模型。

在本研究中，我們使用JSL（JMP Pro 15）中編寫的無監督（層次聚類、PCA）和有監督（多元邏輯回歸、樸素貝葉斯、K近鄰、支持向量機）方法對結構進行分類。 COF被分為二維和三維兩種類型。為了避免訓練/驗證比例失衡（80%/20%），我們選擇最大的聚類進行有監督機器學習，並根據結構對資料進行分層（62.9%為二維，37.1%為三維）。所有模型均成功實現了基於紋理屬性的二維/三維分類，驗證準確率達到100%。此外，我們也比較和討論了其他指標，例如熵R²、廣義R²和平均值-log(p)，以選擇最優模型。

自動產生的成績單…

揚聲器	文字稿
喬許·斯湯頓	麥可。
邁克爾·納扎爾科夫斯基	嗨，喬希，稍等片刻。
	好的。
邁克爾·納扎爾科夫斯基	哦，不不，它運行良好。
喬許·斯湯頓	很高興能看到你，謝謝。
邁克爾·納扎爾科夫斯基	當你。
	在我們等待菲利皮的時候，他說他是第一個，所以我10分鐘前剛和他聊過，所以你現在正在錄音，是的。
喬許·斯湯頓	是的，它開始錄製了，我們把這部分剪掉就行了。
	等我們大致過一遍，菲利普加入後，還有一些問題需要解答，然後我會把鏡頭交給你們，關掉我的攝影機和我兒子的，讓你們來主持。感謝你們做這件事，我們非常感激。
邁克爾·納扎爾科夫斯基	哦，非常感謝，真的，當他們收到有關可能參與機會的消息時，我感到非常驚訝。
	在這個活動中，或者更確切地說是三到五次，或者說我是如何知道這件事的，去年我參加了去年十月的課程，它給我留下了深刻的印象，哦我的天哪，課程闡述了很多很好的主題，所以我決定今年不要錯過這個機會。
喬許·斯湯頓	是啊，太棒了。
	嗯，你知道，很遺憾，今年只能線下舉辦了，但是，我們仍然有一些很棒的內容。
	希望未來我們能帶您參加我們舉辦的線下探索活動，這些活動總是非常有趣的。
邁克爾·納扎爾科夫斯基	哦，是的，希望是如此。
	我從去年年初開始用果醬，也是從穿睡衣開始就一直用果醬。
	是的，是的，所以很快很簡單，我想說就是這樣。
	是的，疫情或我取得的成功實際上很多，或者說作為其中一個結果，你現在將在本次演示中看到。
	甚至開始發表關於這方面的文章，實際上目前，我想，我也是三篇文章的合著者，而且我很清楚，我參與了 JMP。
	快點。
喬許·斯湯頓	一切美好的事物。
	快速學習，專為你打造。
邁克爾·納扎爾科夫斯基	當然，這對於統計思維非常有幫助。
	嗯，就是這樣。
	是的。
喬許·斯湯頓	我們以前一直使用開源軟體來進行分析。
邁克爾·納扎爾科夫斯基	你是說開源軟體吧。
喬許·斯湯頓	之類的。
	將其簡化為他人的。
邁克爾·納扎爾科夫斯基	啊，不，不，不，不，不，你知道我開始學習Python，但你知道嗎。
	我的意思是克服學習中的一些困難。
	我是化學家，也是物理化學家，實際上我正在使用所有這些東西進行化學材料科學研究，正如你現在將看到的，所以我決定從 Python 切換到 MathLab，同時繼續使用 Pro Six Road，以便在那裡取得進展。
	Jeff 中用於 Metalab 的機器學習介面對於科學家來說已經綽綽有餘了。
喬許·斯湯頓	是的，是的，聽到這個消息真好，我很高興你接受了它，並且做得非常出色，這太棒了。
邁克爾·納扎爾科夫斯基	好吧，讓我，讓我給菲利皮發個短信。
	哇哦，這是怎麼回事？他大約一個小時前遇到了網路問題。
	好的好的。
	他正試圖進入。
喬許·斯湯頓	他還沒進去呢。
	奇怪的。
喬許·斯湯頓	實時。
	所以你不需要輸入任何密碼，只要點擊連結就能直接進入，沒錯。
邁克爾·納扎爾科夫斯基	嗯，我剛才把連結寄給他了，但我記不清是否需要密碼了。
喬許·斯湯頓	你不應該有生意。
邁克爾·納扎爾科夫斯基	事情就是這樣，他馬上就要傳簡訊給我了。
	哦。
	哦，是的，問題是 Zoom 現在又遇到了網路問題。
	哦。
邁克爾·納扎爾科夫斯基	我們還有一小時時間。
喬許·斯湯頓	他現在就加入。
邁克爾·納扎爾科夫斯基	哦，太好了。
	是的。
費利佩·洛佩斯	你好。
邁克爾·納扎爾科夫斯基	你好，你終於成了英雄，所以你開始演講了，喬希正在等我們，所以我們時間還算充裕。
費利佩·洛佩斯	是的，隨時都可以。
喬許·斯湯頓	當然，一定有那麼一段時間，我的意思是，就是那個時候。
	很高興認識你，我叫…
	喬希，我的意思是，我沒有。
	請看錄影機，我這就問幾個問題，然後，等我們問完之後，我就把鏡頭交給你們，關掉我的攝影機，你們可以拿走，我們會把這部分剪掉。
	好的。
	雖然現在錄下來也挺有趣的，但我們之後會把那部分剪掉。
	有兩件事。
	對，大概是這樣。
	所以很顯然，我們有來自裡約熱內盧天主教大學的邁克爾，他是洛佩茲·德拉維耶哈。
	裡約熱內盧聯邦大學，你們要去那裡。
	水流方法和柯克蘭分類或透過紋理屬性取得框架，使用 jail cell 2021 dash us desk 30 MP dash 874，這聽起來正確嗎？
費利佩·洛佩斯	是的。
邁克爾·納扎爾科夫斯基	好的，全名。
喬許·斯湯頓	是的，全名好了，你們現在知道了。
	請您瞭解，本次會議錄影將用於 JMP Discovery Summit Conference，錄影內容將公開提供給 JMP 使用者社群。您是否允許 JMP 使用者社群進行此次錄影和使用？
費利佩·洛佩斯	是的，我願意，謝謝。
邁克爾·納扎爾科夫斯基	好的。
喬許·斯湯頓	邁克爾，你沒事吧？
	當然。
	是的，這裡有點像比喻。
	聽起來你們好像有……你們有嗎？
	你的手機好像關機了，就像我一樣，或諸如此類的事情。
邁克爾·納扎爾科夫斯基	摧毀，沒錯。
	任何可能幹擾我的東西，我都會關掉一些老舊的聲音，記住這些要求，喬治，請在錄音過程中告訴我，我是說在錄音結束後告訴我，你會聽到相關的內容，否則整個錄音就會像那樣。
喬許·斯湯頓	是的，所以它會直接通過。我想即使過程中出現了一些問題，他們也不會進行任何剪輯。
	發生了災難性的事情，我們可以從頭再來，但我認為他們會讓你直接通過，別擔心，你知道，嘿，我們都是人，對吧。
	你犯了個錯誤，試著繼續前進吧，沒有人會這麼做，這不需要完美，對吧？統計數據也不完美，所以你也不需要完美，但是，是的。
	前進。
費利佩·洛佩斯	不。
喬許·斯湯頓	對不起。
	這樣可以嗎，麥可？聽起來可以嗎？
邁克爾·納扎爾科夫斯基	是的，一切都很好，一切都很好。
	是的。
喬許·斯湯頓	我們剛才看到的最後一幕。
	好的。
	是的，已經可以了。
	好的，就只有工作列。
	現在我要去了。
	你們還有其他問題嗎？還是已經準備好開始展示了？
	是。
邁克爾·納扎爾科夫斯基	是的。
	嗯，大概是吧。
費利佩·洛佩斯	Michael，請幫我分享螢幕，你如何分享你的螢幕？
邁克爾·納扎爾科夫斯基	你是哥哥嗎？
	但是，喬希，從技術上講，如果我們輪流分享螢幕，應該沒問題。
喬許·斯湯頓	是的，你知道，那樣沒問題，嗯，就是這樣。
	請確保你清楚地知道要快轉幻燈片，並且不要落後太多。
邁克爾·納扎爾科夫斯基	是啊，但是。
喬許·斯湯頓	是的，當然，你們知道嗎？
邁克爾·納扎爾科夫斯基	我們會做的，他們的整個簡報都一樣，我們所有的部分都在一起，所以我們只需要依次進行，沒問題，謝謝。
喬許·斯湯頓	好的，太好了。你們以前用過 Zoom，知道怎麼分享螢幕嗎？
	是的。
費利佩·洛佩斯	只是在為接下來的衝刺做準備。
	放上這個。
	是的。
喬許·斯湯頓	喜歡你的背景。
費利佩·洛佩斯	我現在正在分享右邊螢幕。
邁克爾·納扎爾科夫斯基	太好了，一切都很好。
費利佩·洛佩斯	是的。
	問題出在表達方式。
	因為我正要打開螢幕，有時卻打開了錯誤的螢幕，然後就吐了。
邁克爾·納扎爾科夫斯基	一切都很完美。
喬許·斯湯頓	看起來很棒，我要關掉我的。
	我現在拿著相機，不過我會把它交給各位先生，再次感謝。
	我想，如果他們願意，我們可以在最後談談。
邁克爾·納扎爾科夫斯基	真希望還能再見到你，喬希。
喬許·斯湯頓	好的，保重。
費利佩·洛佩斯	大家好。我叫費利佩‧洛佩斯‧德‧奧利維拉，來自裡約熱內盧聯邦大學，今天我和麥可一起向大家展示這項工作。
	來自裡約熱內盧天主教大學的納扎爾科夫斯基教授。今天，我們將介紹他的研究成果：《利用JSL軟體，基於織構性質對共價有機框架進行分類的現代方法》。
	因此，共價有機框架是一類新型材料，僅由碳、氮、氧、氫和硼等輕元素組成。
	它們是有機的、結晶的、奈米多孔的，在網狀材料中具有很高的穩定性。這意味著構成這些材料的化學鍵遵循由網路拓撲結構決定的明確的幾何模式。
	在這張圖中，我展示了一個HCB型晶格的例子，它由週期性連接的三角形和桿組成。
	形成擴展網絡。這些三角形和棒狀結構代表分子，分子可以…也就是我們所說的構建單元，它們透過共價鍵結合，形成擴展結構。
	具有這種幾何特徵的類型有很多。
	可作為建構單元的分子幾何形狀，以及我們用來連接它們的幾種化學鍵類型。
	這樣，就可以形成具有極為特定特徵的結構，例如我們可以依序控制的內部物理、化學特徵的結構。
	我們可以將這些基本元素視為樂高積木，不同的積木可以用來建造各種具有獨特特徵的結構。
	在這張投影片中，我展示了可用於建造二維和三維共價有機框架的不同拓撲結構。
	以及建構這些網路所需的每個組成單元必須採用的格式。右側，我展示了一個共價有機框架（COF）晶體結構模型的範例。
	借助一個 ??? 網絡，未來將用於計算感興趣的性質。可以看出，此格式形成了由二維共價層所構成的結構。
	這些圖層堆疊起來，相當於地理學的第三維度。
	由於其令人難以置信的調控能力，COFs可用於多種極具吸引力的應用，例如非均相催化、能量生產和儲存。
	有機半導體、化學感測、隔熱、氣體捕獲和儲存等領域。然而，由於其更大的模組化特性…
	這種更大的模組化也可能是一個問題，但這些材料的開發確實非常複雜。
	它們通常利用化學直覺和現有分子相結合的方法開發而成。
	經過多次合成和表徵步驟，並重複使用高 ??? 值的材料，最終獲得了這種材料。該資料已被開發…
	這種材料的研發非常耗時、昂貴，而且需要多達20名專業人員參與。有時，所有這些努力也未必能帶來…
	並不能得到具備所需特性的材料。為了解決這個問題，我們…
	為了解決這個問題，我們提出了一種簡單且計算方法的研究這些材料，從而嘗試加速它們的開發。
	我們最初使用結構資料庫，現在使用經過整理的 COF，該資料庫彙編了文獻中合成和提出的幾種結構。
	然後我們使用一些建構程式來產生數值，以驗證這些結構並確保一切正常。接下來，我們使用基於密度泛函理論（DFT）的方法。
	我們使用名為CP2K的電子結構計算軟體來優化結構中原子位置的自相關參數。然後我們使用名為ZEO++的軟體。
	它對孔隙進行幾何分析，併計算孔隙內 ??? 網絡形成的百分比匹配度。
	然後，它會為選定的成本確定一組結構描述符。這是我的同事 Michael 使用 JMP 軟體編寫的腳本，用於執行幾個非常有趣的分析。
	這裡我展示的是我們使用的主要結構。首先是結構ID，它本質上是結構名稱的一種分類。
	接下來是 LIS，即大內含球，它能提供材料孔徑的資訊。
	我們有LFS（大自由球）和LSFP（大球自由路徑），其中…它基本上與大包含球相同，但可以編碼資訊…
	孔徑差異受孔內多種功能化修飾的影響。我們還有比表面積（SSA）和比體積（SSAV），單位分別為平方米/克和平方米/體積單位。
	AVF 是可及體積分數，表示材料中由孔隙構成的部分；Vp 是孔隙體積。
	然後，我們還有 N(chan)，它是可訪問通道的數量。
	圖中我展示的是一個只有一個通道的結構，但三維材料可以有多個可通行的通道。
	我們有 ChanDim，它表示通道的維度，可以是 1D（如本結構所示）、2D 和 3D。通道尺寸，基本上有時是指孔徑，但對於某些結構，其值可能會略有不同。
	現在，麥可將談談部分結果。
邁克爾·納扎爾科夫斯基	是的，非常感謝。費利佩，非常感謝你如此精彩的介紹，接下來我們將專注於數據分析和數據科學。現在輪到我分享螢幕了，好嗎？好的，我現在就來示範一下。
	完美。好東西。
	好的，那我們從第二部分開頭開始。現在是時候分析費利佩獲得的這些……這些……數量如此龐大的結構數據了。
	稍等片刻。好的，很好。首先，比如說，在進行任何分析之前，他們需要檢索資料並排除一些錯誤的結構或一些無關的資料。
	並進行篩檢以檢測缺失值。在分析和篩檢過程中，未檢測到任何缺失值。我們也發現，在…之後
	資料視覺化顯示，絕大多數可用結構被分配到超過 85% 的結構中，而 15% 的結構則全部被分配到 3D 結構中。因此，從一開始，我們就面臨一個不平衡的資料集，需要進行預測。絕大多數
	通道被分配給一維
	通道數量更多…超過 80% 的通道屬於 3D 維度，近 17% 的通道屬於 3D 維度，不到 2% 的通道屬於二維維度。
	此外，所有這些通道都是各向同性的，這意味著它們在所有方向（X、Y 和 Z）上都是相等的，這反映在資料三維 3D 圖上。
	如果我們把所有資料分配到不同的結構中，例如二維和三維結構，我們可以看到一維和二維結構佔據了絕對多數。二維結構的資料佔比超過90%，而三維結構的資料佔比也相當高。
	3D，我指的是三維通道。超過60%的通道都被3D結構佔據，不過，這已經相當可觀了……數量相當多。
	3 也被 2D 結構所採用，因為它們具有更高的值，例如 85%。
	為了避免這種情況，為了避免這種不平衡
	在這種情況下，我們正在進行一些無人監管的
	結合監督式學習方法，機器學習
	資料準備完成後，我們首先要做什麼？在這些分析中，首先是進行多元分析以檢測共線性。
	以及參數之間的相關性。因此，我們可以看到前三個參數（LIS、LFS 和 LSFP）高度相關，因此可以互相取代。然而，這種特性在主成分分析 (PCA) 中非常重要。
	（主成分分析）。因此，在進行層次聚類時，我們只選擇了其中一個參數。
	對於通道尺寸為 X、Y 和 Z 的情況，我們的各向同性含義相同。
	決定保留所有這些結構，因為這與二維化合物的天然結構密切相關…二維化合物…關鍵 COF 的化合物結構。
	由於結構數量眾多（近 500 個），我們決定從中選取 13 個聚類，這些聚類可能更具意義和相關性，並根據比例或從所有聚類中選取的比例進行分析。
	平均值
	參數如表格所示。
	我們可以看到，在數字13之後，緊接著是另一個巨大的數字。
	減少聚類…聚類距離，所以這就是為什麼我們假設聚類數量為 13 的原因，13 被認為是最佳聚類數量。我們從中選擇了最大的聚類，即聚類 #7，它包含…128 個元素。
	二維結構樣本，因此將用於後續的分類。
	反過來，3D結構，我該怎麼說呢…我敢說它們已經是相同的了。我們仍然觀察到LIS、LFS和LSFP之間有高度相關性，所以這也是為什麼
	聚類提取的條件與二維情況相同。但是，由於聚類數量較少，我們決定只提取七個聚類。然而，為了至少保留四個聚類，我們從這七個聚類中提取了四個。
	二維和三維的比例越來越接近相等。但實際上它們並不相等。
	但是，正如您將在下一張幻燈片中看到的那樣，它將比 85 比 15 好得多，更加平衡。
	透過比較兩張關於參數變異性的表格，我們可以看出，在兩種情況下，最後四個參數都導致了各自組內結構變異性的增加。體積裂縫……分數……抱歉，
	總孔隙體積和兩種比表面積都處於同一水平，它們共同導致了不同結構之間的較大差異。正如我所說，我們得到的較少…
	最終兩個結構之間的差異越來越小。
	驗證…訓練驗證集根據從…獲得的結構構建並分層，取自最大的聚類且分佈良好。
	讓我們從邏輯迴歸開始，因為它是最簡單的參數分析方法。在剔除最不相關的因素之後…
	我們只保留了總孔隙體積和孔隙率這兩個變數。
	它們之間也高度相關，例如
	很大一部分相關性確實存在。然而，正如你所看到的，這需要大約相同的對數價值，所以這意味著我們不能排除這種可能性。
	例如，體積分數…之所以用分數，是因為我曾經做過一次測試，結果發現體積分數不足會造成顯著影響。
	驗證集的誤分類率為 20%。相較之下，我們在驗證集中實現了完全正確的分類，每個組別都得到了正確的歸屬，沒有出現任何誤分類。
	而且訓練集中的誤分類率非常低。其餘的指標…模型性能的衡量標準將在最後進行更詳細的討論，屆時我們將比較所有模型的性能。以及它們各自的
	用於預測機率的方程，預測的結構，創建並給出，獲得並給出…都呈現在本幻燈片上。所以讓我們繼續。這就是為什麼，在接下來的…
	在建模過程中，我們僅使用了這兩個參數……這兩個參數來預測兩種結構（二維或三維），因此，採用最近鄰演算法作為非參數模型，獲得了最佳結果。
	指標…在 1K 解析度下性能和驗證效果最佳，因此只需一個鄰居即可識別並分配…以識別結構。正如我們從圖中看到的…
	我的意思是，總孔隙體積和孔隙率，抱歉，所以我們可以看到
	對於二維影像，這種結構的濃度更高。
	非常
	它們集中在一個點上。然而，與 3D 空間不同，它們分佈得相當分散。因此，我們需要比較它們之間的距離。在投影片的右側部分，您可以看到相鄰元素之間的最大距離與以下因素有關：
	驗證集和訓練集中都使用了 3D 結構。因此，我們也可以使用這種非參數模型……只需這兩個參數，即可將單一非參數模型應用於歸因分析。
	此外，二次判別分析在驗證集中實現了零誤分類，在訓練集中誤分類率低於5%，僅有8個樣本被錯誤分類。所以它非常簡單……這一點在混淆矩陣和平行圖上都能看出。
	以及其他部分…
	其餘參數將在後續章節中描述…稍後將討論，因為這個模型有一些技巧…它將…
	更有趣的是……最終會如何……我們拭目以待。樸素貝葉斯是另一個參數化但非常簡單的模型，也實現了零誤分類。所以情況變得相當激烈……非常激烈。
	正如我們在這裡看到的，這兩個參數的影響幾乎相等。
	總孔隙體積的總效應接近 0.88，體積分數的總效應接近 0.8，因此它們對分類任務的貢獻幾乎相等。
	也建構了用於預測的簡單圖表。
	支援向量機尚未充分驗證，但其性能同樣出色。我們可以看到，只使用了 64 個……抱歉，應該是 46 個向量就建構出了這樣一個模型，最終實現了零誤分類。還有一些
	訓練中的錯誤分類率為 6%，而且錯誤分類率最高的是 3D 模型，它們被錯誤分類了。
	好的，我們繼續。最後，我們來到了一個結合了無監督和監督方法的複雜模型—無監督主成分分析（PCA）。在這種情況下，我們考慮了所有…
	我們建構了定量連續參數，包括所有參數，甚至包括那些彼此高度相關的參數。
	PCA 的圖表和圖形。我們可以看到，兩個主要成分的數值分別為
	根據凱撒規則，如果存在多個分量，這意味著此時我們還有一個接近1的分量，即第三個分量，但我們不會將其納入預測模型。我們只會使用前兩個分量。
	當這些特徵值大於 1 時，有趣的是，我們可以看到，在第一主成分（即能夠描述近 66% 案例的主成分）中，這些特徵值包括：
	假設有 LIS、LFS、LSFP 和通道…通道參數，也就是 X、Y 和 Z 方向的尺寸。所以這就像是，假設有 ??? 個頻道，??? 個頻道集。
	第二個組成部分，也就是第二個主要組成部分，可以用比表面積和孔隙率來描述。這是一個純粹的織構參數。
	因此，正如我們所看到的，即使在這裡，我們也觀察到了這樣的認證差異，並且可以就這兩個參數對預測的貢獻得出結論，在本描述中。
	結構。因此，在僅使用這兩個主成分來建立邏輯回歸之後，其公式將在…我們的出版物中給出，在隨後的論文摘要中給出，我們將在本次峰會的範圍內提交該論文。
	顯然，這裡我們也得到了零誤分類率，訓練過程中誤分類率也非常非常低，低於 1%……而之前的模型並沒有出現這種情況。所以現在我們來到了最重要的部分。
	有趣的部分，關於我們的結論
	總結
	模型。因此，正如我們所見，我們透過訓練集的誤分類來總結，這顯然是因為我們在訓練集中得到了一些值。我們可以看到邏輯迴歸…迴歸模型
	就像簡單的基於主成分分析（PCA）的方法一樣，這裡圖表頂部的分類錯誤率最高，驗證判別分析的結果也最高。然而，
	我們在這裡可以說的是，我們擁有的所有錯誤分類數組或準確率作為參數的反義詞，我們應該與其他指標進行比較。
	所以我們可以看到，很好，其他指標也顯示出更高的數值，這說明判別分析具有優勢。但如果我們仔細觀察一下，
	我們將會看到…每個人都會發現這些指標之間存在巨大差異，即使是誤分類率，驗證集和訓練集之間也存在差異。因此，我們可以…
	你知道，我們遇到了一些過度擬合或欠擬合的問題。在這種情況下，我們主要處理欠擬合，因為指標失效比過度擬合更好。
	用於訓練。通常情況恰恰相反，是的，大多數……大多數情況都與過度擬合有關，即訓練模型過度擬合數據，導致驗證集指標變差。這裡的情況完全相反，所以這就是原因。
	這些指標，如熵 R 平方、廣義 R 平方和平均對數 P，以及誤分類率，
	我們分析了…我們分析了這四項指標的差異，這就是我們選擇最佳方案的原因。如前所述，判別分析顯示出最高的
	然而，就性能品質而言，與其他指標相比，訓練驗證指標之間存在著最大的差異之一。請記住這一點。
	驗證結果全部為零，這意味著我們可以選擇幾乎所有
	每個指標都達到了最佳平衡，其他指標也同樣如此…驗證集和訓練集之間的指標差異。例如，我們可以看到，最低的…
	錯誤分類率與熵 R 平方之間的最小差異歸功於邏輯迴歸與 PCA 的結合。
	另外兩個指標，例如廣義差異…觀察到的廣義 R 平方和平均對數 P 的差異
	對於支援向量機，我們不能選擇這種模型。然而，對於樸素貝葉斯，我們不能選擇這個模型，因為至少在兩種情況下…
	參數方面，它們之間有非常大的差異。所以這就是原因。
	我們可以假設，為了獲得最佳性能和最準確的結果，建議使用基於主成分分析（PCA）的邏輯回歸模型；此外，還可以選擇使用支持向量機作為另一種預測二維和三維結構的模型。更多詳情及更多信息
	具體方法將在我們計劃兩週內提交的論文中闡述。
	並發佈在 JMP 社群網站上。非常感謝，能做這樣的演講我感到非常榮幸。我也要特別感謝以色列耶路撒冷希伯來大學的同事 David Kirmayer。謝謝大家的聆聽。
喬許·斯湯頓	好吧。
	謝謝各位先生。

進階統計建模自動化和腳本編寫基礎資料分析與建模消費者與市場研究內容組織實驗設計預測建模和機器學習品質與工藝工程可靠度分析