モデル構築の前処理としてデータセットにおいて、同じ値をもつサンプルの割合が大きい特徴量や、相関係数の絶対値が大きい特徴量の組の一方や、Boruta により目的変数と関係がないと判断された特徴量を削除することで、特徴量選択を行います。不要な特徴量を削除してコンパクトなデータセットにすることで、その後に構築するモデルの性能が向上することがあります。
特徴量選択
「読み込みデータ」タブにて、「データファイル読み込み」よりデータセットを読み込みます。
特徴量選択タブにて、以下の項目を設定し「作成」をクリックすると、特徴量選択後のデータセットが表示されます。
目的変数Y
予測の対象となる物性・活性・特性等の特徴量を選択します。
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。必ず二つ以上の特徴量を選択してください。
データの種類
読み込んだデータの用途を、回帰分析またはクラス分類から選択します。
トレーニングデータの選択、トレーニングデータ割合(%)
チェックを入れると、モデル構築の際にトレーニングデータとテストデータに分割することを想定し、それと同様の状況で特徴量選択を行えます。チェックを入れたらトレーニングデータのデータ割合をパーセント (％) で入力します。特徴量選択の際はテストデータは使用しませんが、トレーニングデータにおいて削除された特徴量が、データセット (テストデータ含む) から削除されます。
分割方法、ランダム固定用数値
上記のトレーニングデータとテストデータの分割方法を選択します。”ランダム” が基本で、より万遍なくばらつかせてトレーニングデータを選択したい場合は ”Kennard-Stone” アルゴリズム、分割データを指定したい場合は（データセットの）”上から選択”を指定します。
ランダムを選択する場合、乱数生成の再現性を確保するためにランダム固定用数値に任意の数値を入力します。ここで入力した数値と「モデル最適化」における「ランダム固定用数値」の数値を合わせてください。
-666をもつ特徴量を削除（記述子計算データセット用）
記述子計算セクションにおいてRDKitによる計算不能で、-666が発生した特徴量を削除したい場合にチェックを入れます。
※全ての特徴量にて-666のサンプルについては化学構造に誤りがあるため、元のSMILESを修正するか、サンプル行ごと削除して下さい。
同じ値のサンプル割合が大きい特徴量を削除、サンプル割合の閾値
分散が 0 の特徴量を含む、同じ値をもつサンプルの割合が大きい特徴量を削除する際に、チェックを入れ閾値を入力します。この割合以上のサンプルで同じ値をもつ特徴量を削除します。