遺伝的アルゴリズム（Genetic Algorithm, GA）により、スペクトルデータの波長領域選択を行います。GAは生物の進化過程を模倣した最適化手法です。これを利用し、スペクトルデータから、推定性能の高い回帰モデルを構築するための重要な波長領域の組み合わせを選択することができます。
GAによる波長領域選択
データファイル読み込み File の「Browse」より、データセットを読み込みます。
各項目を設定し「作成」をクリックすると、解析結果が表示されます。GAにより選択された波長領域を確認します。
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1つ選択します。ここで選択した特徴量を目的変数とした回帰モデルの推定性能が高くなるように、2.で選択したスペクトルデータから波長領域を選択します。
説明変数X
スペクトルのx軸にあたる特徴量を選択します。
Yのオートスケーリング、Xのセンタリング、Xのスケーリング
いずれも特徴量のスケールを揃える前処理であり、通常はチェックをいれます。ページ下部の技術資料もご参照ください。
手法
GAによる波長領域選択の手法を選択します。GAWLS-PLS/GAWLS-SVRの2種から選択可能であり、それぞれ回帰モデルとしてPLS/SVRを使用します。また、GAWLS-SVR選択時はあわせてSVRのハイパーパラメータ（C, epsilon, gammaの範囲）を指定します。回帰モデルおよびハイパーパラメータの詳細については「モデル選択一覧」をご参照ください。
選択する領域の数、選択する領域の幅の最大値
それぞれ値を設定します。ページ下部の技術資料もご参照ください。
例）1cm-1刻みのスペクトルデータを使用し、領域の数を5、領域の幅の最大を20と設定して計算した場合、最大で20cm-1の幅（20個の特徴量）を持った波長領域が、5つ選択されます。
GAの個体数、GAの世代数
それぞれ値を設定します。個体数は波長領域の組み合わせの候補数に相当し、値が大きいほど探索空間が広がります。世代数は探索の繰り返し回数に相当し、値が大きいほど最適に近い波長領域を選択できる可能性が高くなります。いずれも値が大きいほど計算コストや計算時間が増大します。ページ下部の技術資料もご参照ください。
CV分割数
クロスバリデーションの分割数を設定します。4.で選択した手法の回帰モデルは、ここで設定した分割数でクロスバリデーションを行った結果得られたr2値（適合度）をもとに、波長領域の最適化を行います。
トレーニングデータ割合(%)
GAによる波長領域選択に使用するデータセットの割合を設定します。通常は100（すべてのデータを使用）とします。