エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
決定木で AD を算出:Isolation forest - ご注文はリード化合物ですか?〜医薬化学録にわ〜
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
決定木で AD を算出:Isolation forest - ご注文はリード化合物ですか?〜医薬化学録にわ〜
予測モデルを扱う際に、applicability domain (AD) を考慮することは重要です。 AD を算出する方法とし... 予測モデルを扱う際に、applicability domain (AD) を考慮することは重要です。 AD を算出する方法としては k 最近傍法や one-class SVM、アンサンブル法などが代表的です。 決定木と言えば Light GBM や XGBoost、ランダムフォレストなどでお馴染みですが、異常検知手法として用いられる決定木ベースの手法も存在します。 それが isolation forest であり、scikit-learn で扱うことが可能です。 import numpy as np import pandas as pd from sklearn.ensemble import IsolationForest # データの読み込み data = np.array(pd.read_csv("../data/logSmols_rdkit_200.csv", index_col