Download to read offline
Uploaded byAkifumi Eguchi
Deep learningもくもくハッカソンまとめup用
Deep learningもくもくハッカソンの結果まとめスライドです。 実際の数字については今後使うかもしれないので削ってますがご了承ください。 発表者はDeep learning初心者なので色々間違ってるかもです。
![[CB16] House of Einherjar :GLIBC上の新たなヒープ活用テクニック by 松隈大樹](https://cdn.slidesharecdn.com/ss_thumbnails/cb16matsukumaja-161109043944-thumbnail.jpg?width=640&height=640&fit=bounds)
Deep learningもくもくハッカソンまとめup用
- 1. h2o deep learningによる化学物質分析時の 保持時間予測モデル構築 Twi0er: @siero5335 5/23-‐24@東銀座ドワンゴ様 Deep learningもくもくハッカソン PCBs (x+y = 1~10)
- 2. 自己紹介 Twitter ID: @siero5335 仕事:某大学で 化学物質曝露影響の解析 測定法の開発してます 専門: 環境化学、分析化学
- 3. PCBs (x+y = 1~10) コンデンサ トランスの絶縁油 209種類の異性体 高次生物に高蓄積 発がん性・催奇形性 ポリ塩化ビフェニル (PCBs)
- 4. コンデンサ トランスの絶縁油 ポリ塩化ビフェニル(PCBs) PCBs (x+y = 1~10) ＊測定結果のイメージ図 保持時間 (RTs) ピーク強度
- 5. 209種類の異性体が存在 試薬買って測定しないと保持時間はわからない ポリ塩化ビフェニル (PCBs) コンデンサ トランスの絶縁油 PCBs (x+y = 1~10)
- 6.
- 7. 目 的 h2o deeplearningによるPCBsのRTs予測モ デル構築 19種のPCBsのRTsから190種のPCBsのRTsを予測
- 8. 目 的 h2o deeplearningによるPCBsのRTs予測モ デル構築 19種のPCBsのRTsから190種のPCBsのRTsを予測 どんな試料からも検出される代表的な異性体+α
- 9. 化合物の構造最適化およびパラメータ算出 化学物質名 RTs 反応性 電子の偏り … 分子量 PCB1 数値A 数値A' ... ... 数値A" PCB2 数値B 数値B' ... ... 数値B" ... ... ... ... ... ... PCB209 数値Z 数値Z' ... ... 数値Z" Gaussian09: DFT B3LYPで構造最適化 Dragon6: 約5000パラメータを算出 → SD < 0.0001のパラメータを削除 → 約2500パラメータを解析に使用（前処理: 正規化のみ）
- 10. 解析手法 (機械学習)予測モデル最適化 データ 訓練データ n =19 検証データ n = 190 モデル構築 モデル検証 予測モデル データサイエンティスト養成読本R活用編 P45参照
- 11.
- 12. 一番良いパフォーマンスが出た際のコード deeptest16 <-‐ h2o.deeplearning(x = setdiff(colnames(trainingPCBRT), c("ID","RT")), y = "RT", training_frame = trainingPCBRT, validaTon_frame = testPCBRT, acTvaTon = "RecTfier", hidden = c(50), epochs = 10000, loss = "Huber”)
- 13. 一番良いパフォーマンスが出た際のコード 層を深くすればするほど精度低下... (Deepじゃなかった) Dropoutや正則化項を取り除けば取り除くほど精度が上昇 他の活性化関数(Tanh, Maxout)は良くなかった →今回くらいのデータサイズだと小細工しないほうが良い？ deeptest16 <-‐ h2o.deeplearning(x = setdiff(colnames(trainingPCBRT), c("ID","RT")), y = "RT", training_frame = trainingPCBRT, validaTon_frame = testPCBRT, acTvaTon = "RecTfier", hidden = c(50), epochs = 10000, loss = "Huber”)
- 14. H2ORegressionMetrics: deeplearning ** Reported on training data. ** MSE: とても良い R2 :とても良い H2ORegressionMetrics: deeplearning ** Reported on validaTon data. ** MSE:とても良い R2 : とても良い 結果 先行して実験してたElastic netの結果を上回る Training R2 = 割と良い, Training MSE = 割と良い Test R2 = 割と良い, Test MSE = 割と良い
- 15. deeptest_layer1 = h2o.deepfeatures(deeptest16, trainingPCBRT, layer = 1) head(deeptest_layer1) 特徴量の確認 …が、生成された特徴量を見ても何が何やらさっぱり 正則化したわけでもないのに割とスパースになっていた →保持時間に関係するパラメータは多くないということ？
- 16.