機械学習（回帰）

回帰モデルの構築、感度分析、条件最適化を実施できます。 目的変数に対する説明変数の影響も確認できます。

操作デモ動画

以下の動画で、操作方法をご確認いただけます。

操作方法

処理タイプ>分析タイプ>機械学習（回帰モデル） を選択します。

---

モデル構築

注記

以下の説明では、サンプルデータ「医薬品の有効成分」を使用しています。

説明変数（入力値）と目的変数（出力値）の関係 を表すモデルを作成します。

1. モデル構築 モードを選択します。

   

2. 目的変数 と 説明変数 を選択します。

   

3. モデルタイプ を選択します。

   
   モデルタイプ一覧

   以下の手法が選択可能です。

   • 線形回帰
   • PLS回帰
   • サポートベクター回帰
   • ランダムフォレスト
   • LightGBM

4. モデル構築 を実行します。

   

5. モデルが作成されます。
   モデルの評価指標 と 実測vs予測の 予実プロット（yyプロット）、残差プロット が表示されます。

モデルの評価指標

• R²：決定係数。モデルの当てはまりの良さを示す。-∞〜1の値で、1に近いほど精度が高い。
• MSE：平均二乗誤差。予測値と実測値の差の二乗の平均。
• MAE：平均絶対誤差。予測値と実測値の差の絶対値の平均。

目的変数に対する説明変数の影響 も確認できます。

モデル解釈の指標

• 特徴量重要度 ：モデルが学習する際にどの説明変数を重視したかを示す指標。正の値を取り、値が大きいほど影響が大きい。
• Permutation Importance ：モデルの予測精度にどの説明変数が貢献しているかを示す指標。基本的に正の値を取り、値が大きいほど影響が大きい。

6. 作成したモデルはモデルアイコンをクリックして保存できます。

   
   モデルのダウンロード

   保存したモデルはダウンロードできます。

   

---

感度分析

注記

感度分析にはモデルの保存が必要です。

作成したモデルに対して、説明変数の値を変えたときに目的変数がどう変化するか を調べます。

1. 感度分析 モードを選択します。

   

2. 使用するモデルを選択します。

   

3. 分析する変数を選択します。

   

4. 感度分析を実行します。

   

5. 分析結果が表示されます。
   説明変数を変化させたときのシミュレーション結果を確認できます。

   

---

条件最適化

注記

条件最適化にはモデルの保存が必要です。保存したモデルの数に応じて、最適化変数の数を選択できます（1〜3）。

制約条件のもとで、目的変数が理想値（最大化/最小化、目標値）を取る説明変数の組み合わせ を探索します。

1. 条件最適化 モードを選択します。

   

2. 最適化する変数の数を設定します。

   

3. 使用するモデルと最適化目的を設定します。

   

4. 最適化を実行します。

   

5. 最適化結果が表示されます。
   理想的な目的変数を実現する説明変数の組み合わせが1行目に表示されます。