目的変数を見ながら次元削減？
PLSは、目的変数との関係性を活かして次元削減を行う手法です。OLSが不安定になる多重共線性のある場合でも有効で、PCAのように説明変数の関係性だけに依存しません。共分散最大化に基づき、潜在変数を段階的に抽出しながら回帰を構築します。
講座概要
「目的変数を見ながら次元削減したい」
そんなニーズに応えるのが PLS（部分的最小二乗法）です。PLS は、主成分分析（PCA）のような説明変数間の関係だけでなく、目的変数との関係性を考慮して次元削減を行う手法です。
本セミナーでは、PCA・OLSの限界や数式背景を丁寧に解説したうえで、PLSの導出方法、NIPALS アルゴリズムの構造、実務データへの適用例を紹介。Pythonコードを使った演習形式で、理論と実装の両面から理解を深めます。
【講義動画】前半: 72分、後半: 44分
【講義資料】1部、PDF
【演習資料】1部、JupyterNotbook
このような方におすすめ
- PCAやOLSの限界を感じたことがある方
- 多重共線性や高次元データへの対応を学びたい方
- PythonでPLSを実装してみたい方
- 応用数学や機械学習に関心のある実務家・学生の方
受講によって期待できる効果
- OLSやPCAの限界とPLSの意義を正しく理解し、使い分けできるようになる
- 多重共線性や高次元データに対応するための次元削減手法を選択できるようになる
- 目的変数を考慮した次元削減と回帰の統合的な方法（PLS）を習得できる
- Pythonを用いたPLSモデルの実装スキルを高めることができる
- 実データに基づいて、より解釈性の高い予測モデルを構築できるようになる
講師プロフィール
藤原 幸一（ふじわら こういち）
名古屋大学 大学院工学研究科 物質プロセス工学専攻 准教授
略歴
- 2018年11月：名古屋大学 大学院工学研究科 物質プロセス工学専攻 准教授（現職）
- 2012年7月：京都大学大学院 情報学研究科 システム科学専攻 助教
- 2010年4月：NTT持株会社 コミュニケーション科学基礎研究所 研究員
- 2009年10月：豪州 Curtin 大学 客員研究員
- 2009年4月：日本学術振興会 特別研究員（PD）
- 2008年4月：日本学術振興会 特別研究員（DC2）
- 2007年4月：京都大学大学院 博士後期課程進学（化学工学専攻）
- 2006年4月：トヨタ自動車株式会社 入社
- 2006年3月：京都大学大学院 修士課程修了（化学工学専攻）
- 2004年3月：京都大学 工学部 工業化学科 卒業
サンプル動画
講座の冒頭映像です
注意事項
- セミナーの内容に関するご質問への対応は行なっておりません
-
ご購入後の返金は致しかねますので、ご了承ください
免責事項
- 本ページの内容は予告なく変更する場合がございます
- 主催者の諸般の事情や、天災地変その他の不可抗力の事態により、本講座の一部あるいは全部を中止させていただく場合がございます
お問い合わせ
- ご質問やご不明点などがある方は、フッター部分にある「お問い合わせ」リンクよりご連絡くださいませ。
