![図解入門 よくわかる最新実験計画法の基本と仕組み[第2版]](https://images-fe.ssl-images-amazon.com/images/I/61oV1v5IWmL._AC_UL160_SR160,160_.jpg)
データサイエンス分野でデータ解析をしているが、以下のように知らないトピックが多くて学びが多かった。
1. 実験計画法: てっきり、Fisherの古典的な、検定をやる前にサンプルサイズを幾つに設定するか、みたいな話しかと思ったら全然違った。実際は、X（例: 反応温度、反応時間、触媒量）からY（例: 収率）を推定したいという問題で、Xの取りうる全組み合わせは膨大になるから、Yの実験値の計測が限られているという前提で、どのデータの組み合わせを実験に使うか、実験をする前から決めるという話しだった。
2. D最適基準: この本での実験計画法では、det(X^{T}X)（D最適基準）という尺度が最大になるXが良い特徴量だとしている。意味的には、多分、選択されたXを基底として、Xが張る空間の体積がなるべく大きくなるほど、つまりなるべく互いに似ていないデータ同士が選ばれるほど、良いXということだろう。行列分解の一種であるNMFで因子数を決める時に、同じ式を使ったことがあるが、行列分解だと、1つの因子に、複数の関連する特徴量がぶら下がる形になるので、このタスクには合わなそう。また、X^{T}Xは、線形回帰モデルの最適化の式、正規方程式にも登場するもので、det(X^{T}X)が小さいと、似たような基底を複数選んでしまっているマルチコ（多重線形性）が起きているという話しとも辻褄が合う。シンプルだが、非常に面白い式だと思った。
3. モデルの適用範囲（AD）: 最初読んだとき、内挿・外挿みたいな話し？と思ったが、その次のページに、内挿・外挿ではないと書かれていた。もっと広い意味の概念で、他のデータが近くに存在しない領域での予測は信頼性が低い、そういった信頼性を定量化しよう、という話しだった。この話しが、その後のベイズ最適化にもスムーズにつながっていった。なお、この本では、ベイズ最適化の部分は、Optunaのようなライブラリを使うのではなく、著者がスクラッチから実装していた。
無料のKindleアプリをダウンロードして、スマートフォン、タブレット、またはコンピューターで今すぐKindle本を読むことができます。Kindleデバイスは必要ありません。
ウェブ版Kindleなら、お使いのブラウザですぐにお読みいただけます。
携帯電話のカメラを使用する - 以下のコードをスキャンし、Kindleアプリをダウンロードしてください。
よく一緒に購入されている商品
+
+
総額:
当社の価格を見るには、これら商品をカートに追加してください。
ポイントの合計:
pt
一緒に購入する商品を選択してください。
この商品をチェックした人はこんな商品もチェックしています
ページ 1 以下のうち 1 最初から観るページ 1 以下のうち 1
