| ホームページ | Pirikaで化学 | ブログ | 業務リスト | お問い合わせ |
| Pirikaで化学トップ | 情報化学+教育 | HSP | 化学全般 |
| 情報化学+教育トップ | 情報化学 | MAGICIAN | MOOC | プログラミング |
| MAGICIANトップ | MAGICIAN-Jr. | MAGICIAN-講義 | 過去の資料 |
A MAGICIAN is a person who can associate Materials Genome, Materials Informatics, Chemo-Informatics and Networks.
MAGICIANとは、材料ゲノム(Materials Genome)、材料情報学(Materials Informatics)、情報化学(Chemo-Informatics)とネットワーク(Networks)を結びつけて(Associate)いかれる人材です。
2021.11.16
JP2014172871A - Kao Corporation composition for sunscreen.
JP2014172871A-花王（株）日焼け止め用皮膚外用組成物
To provide compositions with excellent UV protection effect and stability by improving the degradation of usability such as stickiness and poor spread caused by blending oil-soluble UV absorbers and polar oils.
油溶性紫外線吸収剤と極性油とを配合することによるべたつき感、のびが悪い等 の使用感の低下を改善し、紫外線防御効果及び安定性に優れた皮膚外用組成物の提供。
(A) Anhydrous hexitol di-fatty acid ester
(B) UV absorber, solid at 25°C
(C) Polar oil in liquid form at 25°C
(A) 無水ヘキシトールジ脂肪酸エステル
(B)25℃で固体の紫外線吸収剤
(C)25 ℃で液状の極性油
Originally, the compounds in group D in the table were also classified as solvents in C, but they were separated for analysis.
本来は表中のDグループの化合物もCの溶剤に分類されるが、解析用には分けてある。
Each solvent is as follows.
各溶媒は次のようになる。
The calculation by MIRAI and the normal multiple regression calculation will be done in the way I have described.
MIRAIによる計算と、通常の重回帰計算は、これまでに説明したやり方で計算する。
It is important to know where to terminate the calculation.
実際の計算は、どこで計算を打ち切るかが重要なポイントになる。
You need to hone your sense of style through many rounds of trial and error.
何回もトライアンドエラーを行ってセンスを磨くと良いだろう。
This data has only two values, 1 and 5.
When analyzed by MIRAI, it is almost completely split into two values.
このデータは1と5の2値しかない。
MIRAIで解析すると、ほぼ完全に2値に分かれる。
MIRAI Scheme=7.00064034174331-1.9876+-0.668164205214253*(POWER((C2*3.44216771570947+1),-2.00744096320269)*POWER((D2*0.908118279152832+E2*0.570139725055307+F2*0.37625232660908+1),1.04064594475472)*POWER((G2*1.19489201159308+H2*0.680101142263637+1),2.94910089836751)*POWER((I2*0.304413904092071+J2*1.50794665824571+K2*1.51467963044839+L2*0.346956417159736+1),-3.23000791441168))
Multiple Regression=-0.0411313108792548*C2+-1.29688166434577*D2+-0.588207599677923*E2+-0.160209244709936*F2+-0.25905635727487*G2+-0.505776309955706*H2+-0.130559148850567*I2+0.372948005039899*J2+-0.0899311739430626*K2+-0.0359403130776294*L2+6.4725554050876
Copy and paste each formula into the appropriate second line of Excel and it will automatically perform the calculation. Spread it over the whole, and move the result of the prediction. Then draw a graph.
各式をコピーしてエクセルの適当な第２行目にペーストすると自動的に計算を行う。それを全体に広げ、予測の結果を列を移動するとグラフが得られる。
MIRAI Scheme=7.40760341336399-1.9876+-0.423574263325211*(POWER((C2*0.046127397319823+1),-3.74477989298387)*POWER((D2*1.03573044227489+E2*0.244376020167694+F2*0.0249610682874818+1),0.736502917323914)*POWER((G2*-0.275785494184122+H2*1.073467555282+1),0.306289945157491)*POWER((I2*0.500098253983768+J2*0.414117013727958+K2*2.34866879954796+L2*0.605374875531054+1),1.04066165743802))
Multiple Regression=-0.00174645438503073*C2+-1.28801179078924*D2+-0.267183525562053*E2+-0.199199170361763*F2+-0.0863707941281202*G2+-0.0974741172841326*H2+-0.147064019684285*I2+-0.360288117537336*J2+-0.257068127501052*K2+-0.102793426178765*L2+5.52907036115247
MIRAI Scheme=7.2999508257271-1.9876+-0.326504928728761*(POWER((C2*4509.17548109755+1),-0.108370174121308)*POWER((D2*0.277438897246814+E2*0.284229847059444+F2*-0.0292787903755693+1),1.0127644562234)*POWER((G2*0.126707713554201+H2*-0.33718540907577+1),-0.426990849559048)*POWER((I2*0.624300237793183+J2*0.286461500612122+K2*0.817668866571907+L2*0.440894388837066+1),1.16037818322729))
Multiple Regression=-0.0557757470188677*C2+-1.07759025590708*D2+-0.455006218915757*E2+-0.208525030566608*F2+-0.15252658607052*G2+-0.199254219177157*H2+-0.172628067779127*I2+-0.136793240165224*J2+-0.308425945789609*K2+-0.123332029273651*L2+6.18456010606718
MIRAI Scheme=8.25990936389547-1.9876+-1.28078553640537*(POWER((C2*20.5045887048779+1),-0.140145654637914)*POWER((D2*0.193254593965668+E2*-0.0187862681606147+F2*-0.0274695360976116+1),0.8335206153264)*POWER((G2*-0.126665949248757+H2*0.151270739672444+1),1.08921984025163)*POWER((I2*0.394036032148441+J2*0.192419422430546+K2*0.75036140143747+L2*1.74076629176138+1),0.956003646340265))
Multiple Regression=-0.0885660679957895*C2+-1.26003751164422*D2+-0.185884419937277*E2+-0.18079067432566*F2+0.125696588355065*G2+-0.409223898239638*H2+-0.337774612147536*I2+-0.234654426695107*J2+-0.578275626792236*K2+-0.231282511605469*L2+6.57184848203525All of them have higher descriptive and predictive performance than those calculated by ordinary multiple regression.
どれも、通常の重回帰で計算するよりも記述性能、予測性能が高くなる。
JPA 2020105109-Matsumotokosho, Sunscreen formulation
JPA 2020105109-マツモト交商, 日焼け止め配合処方
This patent, like the previous one, is for a sunscreen formulation.
この特許は、前の特許と同様に日焼け止めの配合処方の特許である。
A unique feature of this patent is that it has 21 explanatory variables but only 11 experimental data.
この特許の特徴は、説明変数が21種類あるが、実験データは11しかないことだ。
So, when any one experimental data is used for prediction, the data may contain idiosyncratic data. In other words, the data in a certain column may have been used in only one experiment. If there is no data in a certain column when creating the model equation, and only the predicted data has the value of that column, then the prediction cannot be done correctly.
そこで、どれか1つの実験データを予測用のデータにした場合、そのデータが、特異的なデータを含んでいる場合がある。つまり、ある列のデータはある一つの実験でしか使われていない場合がある。モデル式を作るときにある列のデータが無く、予測データにだけその列の値があるのなら正しく予測はできない。
In this section, let's think about which experiments should be used as the prediction data set, so that learning can be established and the prediction performance can be high.
ここでは、どの実験を予測データにしたら、学習も成立して、かつ、予測性能も高いデータセットにできるか考えてみよう。
US6890543 B2
COMPOSITION FOR LIPSTICK
by Shiseido Co., Ltd.,
資生堂の口紅の配合特許
Let's paste the data into Excel or something.
データはエクセルなどにペーストしておこう。
Since the analysis method has been explained so far, let's learn about the options here.
解析方法はこれまでに説明してきたので、ここではオプションについて学ぼう。
MIRAI implements two methods for taking errors: the absolute minimum error method (MAE) and the least squares method (RMSE).
MIRAIには、誤差の取り方として、絶対誤差最小法(MAE)と最小二乗法（RMSE)の２種類が実装されている。
When using Minimum Absolute Error(MAE), the coefficients are set to try to minimize the sum of the absolute values of the differences between the supervised and calculated values.
絶対誤差最小(MAE)を使うと、教師値と計算値の差の絶対値の総和を一番小さくしようと係数を定める。
Then the ones that are far off will be further off, and the others will come on straighter and straighter.
すると、大きく外れるものはさらに外れ、他のものはどんどん直線に乗って来る。
This is very useful for identifying suspicious data, such as input errors.
入力間違いなど、怪しいデータを特定するときはとても有用である。
Using root mean square error (RMSE), MIRAI try to make something with a large error closer to a straight line.
二乗平均平方根誤差(RMSE)を使うと大きな誤差を持つものを直線に近づけようとする。
Assign a small error to each point. When squared, the small error becomes so small that it has no effect.
小さな誤差を各点に割り振る。小さな誤差は２乗すると、とても小さくなり影響を与えなくなる。
The usual multiple regression method is a linear least squares method. The GROVE method we are developing is linear, and is implemented in two ways: absolute minimum error (MAE) and least squares (RMSE).
通常の重回帰法は線形の最小二乗法になる。我々が開発しているGROVE法は線形で、絶対誤差最小法(MAE)と最小二乗法（RMSE)の２種類が実装されている。
Let's compare these four different calculation methods.
この４種類の計算方法を比較してみよう。
Keep in mind that the data analyzed is the data described in the patent, and that it is a sensory evaluation, so it is not quantitative.
解析したデータが特許に記載のデータであること、官能評価なので定量性に欠ける事は覚えておこう。
It can be said that the MIRAI method, which introduces the nonlinearity of multiplying exponential functions, is superior to the linear regression method.
指数関数の掛け算という非線形性を導入したMIRAI法の方が線形回帰法より優れていると言える。
The absolute minimum error method (MAE) is characterized by the fact that the ones that fit get on the line more and more, while the ones that miss are far off.
絶対誤差最小法(MAE)は合うものはどんどん線の上に乗り、外れるものは大きく外れるという特徴を持つ。
Compared to the multiple regression method, GROVE-MAE clearly shows this trend.
重回帰法と比べ、GROVE-MAEはその傾向がはっきり出ている。
However, it is not clear how to interpret a single point deviation in the MIRAI-MAE method.
しかし、MIRAI-MAE法で一点乖離しているのをどう解釈するかは、判然とはしない。
In such cases, recombine forecast data and other data to investigate.
そのような場合には、予測データなどを組み替えて調べる。
For the other three physical properties, do your own calculations and think about what you can derive from the results.
他の3つの物性値については、自分で計算を行い、結果から何が導き出せるか考えてみよう。
Patent JP2014156427A 日油株式会社（Japan Oil Corporation）
To provide a hair detergent composition and hair cleanser that provides excellent slipperiness to hair during washing, rinsing, and after drying, while having a good feel without stickiness or stiffness, and also realizing good foam sustainability during washing.
【課題】洗浄時、すすぎ時、及び乾燥後の毛髪に優れた滑り性を付与しながら、べたつき やごわつきのない良好な使用感を有し、更に、洗浄時に良好な泡持続性を実現する毛髪用 洗浄剤組成物及び毛髪洗浄料を提供する。
Characteristics: Hair detergent composition consisting of a specific sodium polyoxyethylene alkyl ether sulfate, cationic compounds, and nonionic surfactants, and sodium chloride.
特徴：特定のポリオキシエ チレンアルキルエーテル硫酸エステルナトリウム、カチオン性化合物類、及びノニオン性 活性剤、塩化ナトリウムからなる毛髪用洗浄剤組成物
In this section, we will try to create an equation to predict Coa3:Coacervate formability (diluted 1000 times).
ここでは、Coa3:コアセルベート形成性(1000倍希釈）を予測する式を作成してみる。
If you are interested in the other physical properties, you can calculate them by yourself.
他の物性値に関しては興味があれば自分で計算してみよう。
Patent JPB 006348423-ロレアル( L'OREAL)
Cosmetic compositions containing hydrocarbon resins, non-volatile phenyl dimethicone oil and non-volatile hydrocarbonized oil
炭化水素系樹脂と不揮発性フェニルジメチコン油および不揮発性炭化水素化油を含む化粧用組成物
Lipstick that doesn't transfer color?？
色移りしにくい口紅？？
Since there are 16 different identifiers and only 14 experimental values, it is difficult to analyze them using the multiple regression method.
識別子が16種類あり、実験値が14しかないので、重回帰法では解析が難しい。
There seems to be a problem with the evaluation points that only the person conducting the experiment can understand.
実験を行なっている者にしか解らない評価点の問題が存在するようだ。
The experimental values take values as low as 1, 4, and 5, but the MIRAI analysis says that some of the values rated as 1 should be classified as 2 or 3.
実験値は、1,4,5のとびとびの値を取るが、MIRAIの解析では、1と評価された値のいくつかは、2か3に分類されるべきだと言っている。
Therefore, it is the ones that are conducting the experiments that will be most effective if they use the MIRAI analysis tool to increase the reliability of their evaluation values.
従って、実験を行っているものこそが、MIRAI解析ツールを使って、評価値の信頼性を高めると効果的であると言える。
Copyright pirika.com since 1999-
Mail: yamahiroXpirika.com (Xを@に置き換えてください) メールの件名は[pirika]で始めてください。
Mail: yamahiroXpirika.com (Replace X with @.) The subject of your email should start with [pirika].