【読書準備】Pythonで学ぶ実験計画法入門

こんにちは。
Pythonを使った実験計画法の本が会社にあったので読み始めようと思います。

とりあえず、目次マインドマップとザクっと眺めてメモしたいことを備忘録的に書いておきたいと思います。

[無料公開] 「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」 の “まえがき”、目次の詳細、第１・２章

目次マインドマップ

備忘録

• 機械学習の手法を用いた実験計画法に関して説明されている

• 適応的実験計画法は、ベーシックな品質手法としての実験計画法に機械学習の考え方を加えることで、実験作業を削減し、より最短ルートに近い方法で最適化することができるかもしれない

• 説明されている手法

  • 最小二乗法による重回帰分析

  • 決定木

  • ランダムフォレスト

  • SVR-サポートベクター回帰

  • ガウス過程回帰

• モデルは決め打ちではなく、複数モデルの推定性能を比較して決める

• 構築したモデルを運用する場合は、モデル適用範囲(AD)を決めて、内挿/外挿ではなく、AD内/AD外で議論する

• ベイズ最適化を使って、モデルを改善するための次の実験条件を決めていく

  • 次の実験条件は獲得関数が最大になるように選択される

  • 次の実験条件を複数選択する場合は、1度選択された条件で予想される結果を実測値としてモデルを構築して、それを元に新たな実験条件を選択する（似たような条件を選ばないようにするため）

  • 目的変数が複数ある場合は、目的変数ごとの獲得関数を掛け合わせたものを獲得関数とする

• GPR(Gaussian Process Regression, ガウス過程回帰)モデルに基づく適応的実験計画法の課題

  • 有限個の条件の中から候補を選択する（最適解があるか分からない）

  • 上下限を超えるものは選択されない（最初に想定された範囲内に最適解がない場合は見つけられない）

• GMR(Gaussiann Mixture Regression)に基づく適応的実験計画法(GMR-Based Optimization; GMRBO)

  • 目標値から直接サンプル条件を予測する（上下限の設定が不要）

  • 特に特徴量の数が多いときに有効

  • この本で紹介されている手法の中では、最も試行回数が少ない結果が示されている

感想

ザックリ読んだ感じは、この内容を律義に学んで繰り返し練習すれば、それなりに使えそうだと感じました。

ただ、会社にいる間にこれを試し尽くせるだけの時間を作れるかというと、自身があまりないです。

毎日短時間でもコツコツ続けられる能力が欲しい…

今日は以上です。