概要

モデル最適化の結果をもとに、説明変数 X から目的変数 Y を予測します。目標とするクラスを示す X の範囲 (実験条件・化学構造等) を知りたい場合（逆解析）は、大量の仮想サンプルに対しクラスを予測し、同じクラスのものを絞ります。また予測がモデルの適用範囲 (Applicability Domain, AD) 内かどうかの指標である AD 値も同時に示し、予測値の信頼性を評価できます。なお3クラス以上の分類や Y が複数あるときも対応可能です。

操作方法

データファイル読み込みにて、学習データと予測データをそれぞれ表示させます。

image.png

クラス分類-予測タブにて以下の項目を設定し、「作成」をクリックすると、予測データに対し目的変数Yの予測クラス、各クラスの出現確率が表示されます。

Untitled

Untitled

  1. 目的変数Y

    予測の対象となるクラス情報（英数字列もしくは0, 1のバイナリー列）の特徴量を選択します。

  2. 説明変数X

    分子記述子や、原料・添加剤等の配合比、合成条件やプロセス条件等の特徴量を選択します。ここでは学習データと予測データの両方に含まれる特徴量を選択してください。

  3. オートスケーリング

    「MIモデル最適化」のオートスケーリングと同様です。通常はチェックを入れます。

  4. モデル設定

    選択した目的変数Yごとに、モデル最適化での結果をもとに、予測に使用するモデルを指定します。

  5. CV（クロスバリデーション：交差検証）分割数

    ハイパーパラメータ最適化のためのCV分割数を入力します。

  6. AD（モデルの適用範囲）設定

    設定する場合、k-NN(k-Nearest Neighbor), LOF(Local Outlier Factor), OCSVM(One-Class Support Vector Machine, ガウシアンカーネル使用)の手法の中から選択します。選択後、 AD 内となるトレーニングデータの割合(%)と下記ハイパーパラメータを入力します。

    k-NN：k の値　LOF：k の値　OCSVM：ν, γ（Autoにチェックを入れると γ は自動最適化 [ガウシアンカーネルの分散最大化]）

  7. 詳細指定（任意）

    各モデルのハイパーパラメータを指定する際に入力します。入力がなければ自動的に最適化されます。

結果にてAD値が正であれば AD 内であることを示します。

Untitled