精度の高い予測・柔軟な解析のための機械学習手法を搭載
JUSE-StatWorks/V5 機械学習編R2
「JUSE-StatWorks/V5 機械学習編R2」とは
「JUSE-StatWorks/V5 機械学習編R2」（読み方：ジューススタットワークスきかいがくしゅうへんアールツー）は，2020年6月18日発売の新製品です．
JUSE-StatWorks/V5 機械学習編R2は，2019年4月25日に発売された「JUSE-StatWorks/V5 機械学習編」のバージョンアップ製品となります．
本ページでは，従来のJUSE-StatWorks/V5 機械学習編の機能も含めたJUSE-StatWorks/V5 機械学習編R2の内容をご紹介します．
IoT（モノのインターネット）やセンサー技術が向上する中で，非常に高い予測性能を持つことから「機械学習」が注目され，様々な分野での活用が進められています．
開発製造や品質管理分野においても，製造工程や市場から大量のデータが収集できるようになり，現場の技術者が自らデータ解析を行い，問題解決や課題達成することが求められるようになりました．その中で，基本解析，多変量解析や実験計画法などの従来のSQC手法と同様に，機械学習手法に対するニーズが高まっています．
この度，IoT時代の到来を迎えて，より精度の高い予測や柔軟な解析をするための新たな解析手法群を搭載した「JUSE-StatWorks/V5機械学習編R2」を発売しました．
「JUSE-StatWorks/V5 機械学習編R2」は，StatWorks/V5の画面構成や操作性を継承しつつ，技術者が自分のパソコンを用いて機械学習手法が使えるパッケージです．データクリーニングから，データ可視化，情報要約，層別，分類，予測，外れ値検出，因果分析等の豊富な機能を搭載しています．
R2では従来の機械学習編に搭載されていた手法に加え，二値(例えば良品/不良品など)や多値を予測するロジスティック回帰分析に正則化を加味した「正則化ロジスティック回帰分析」，対象データの所属クラスを近くにあるk個のデータの多数決から推定する「k-近傍法」，解析データを学習データとテストデータに分割する「データ分割」などの機能を追加搭載しました．
是非この機会に，機械学習手法をご活用ください．
- 2021-06-14
- 機械学習編 体験セミナーを新設しました．
機械学習編R2操作体験セミナー - 2020-06-18
- JUSE-StatWorks/V5 機械学習編R2の販売を開始しました．
- 2019-12-04
- 「第29回 IoT時代の統計的方法を活用したビジネスソリューション」を開催しました．
-
【特別報告】品質・技術力向上に繋げるSQCと機械学習のよりよい使い方について
報告資料 発表資料 - 【事例紹介3】数値化した画像データの機械学習手法による解析
報告資料 - 【新製品紹介】技術者のためのStatWorks/V5 機械学習編の機能および有効な使い方
報告資料 発表資料 - 2019-10-29
- 機械学習編 手法マスターコースのセミナーを新設しました．
問題解決のための機械学習入門
- 2019-09-24
- 企業出張セミナーに機械学習セミナーの実施例を追加しました．
- 2019-09-10
- 製品説明会の発表資料を掲載しました．
StatWorks/V5 機械学習編における開発のねらいと概要 - 機械学習手法の紹介ページを掲載しました
- 2019-08-07
- JUSE-StatWorks/V5 機械学習編カタログのPDF版を掲載しました．
- 2019-06-27
- ネットワーク版の販売を開始しました．
- 2019-06-11
- 「新製品 StatWorks/V5 機械学習編 製品説明会」を開催しました．
東京：2019年7月3日(水) / 名古屋：2019年8月2日(金) / 大阪：2019年8月5日(月) - 2019-05-28
-
機械学習編 操作入門コースの3つのセミナーを新設しました．
①正則化回帰（lasso回帰，ElasticNet）/②ランダム・フォレスト，サポートベクターマシン(SVM)/③混合ガウス分布，glasso
- 2019-04-25
- スタンドアロン版の販売を開始しました．
- 2019-04-16
- 発売情報を掲載しました．
StatWorks/V5 機械学習編R2の特徴
- 実務や教育の場での利便性のために，クラウドやサーバー上ではなく，クライアントPC（単独のPC） 上で動作します．
- 豊富なオプション機能を搭載し，解析者との「対話」を重視した画面構成となっています．そのため，現場の技術者が培った固有技術やノウハウを，十分に解析に活かすことができます．
- 専門的なスクリプトの記述が不要で，全ての分析をユーザインターフェースによる操作で行うことができます．解析条件の設定やハイパーパラメータのチューニング，クロスバリデーションの設定も簡単に行え，予測精度の向上，モデル式の評価，特徴量の重要度の確認を行うことができます．
- 本製品は，統計解析ソフトウェア JUSE-StatWorksシリーズの構成製品のため，既存の製品と共存が可能です．「JUSE-StatWorks/V5 総合編」等と一緒にお使いいただくと，メニューに「JUSE-StatWorks/V5 機械学習編R2」の各手法を追加してご利用いただけます．
※詳しくは機械学習編以外のStatWorks/V5シリーズをお持ちの場合の導入方法をご覧ください - データの読み込みや編集は従来通り，ワークシート上で行うことができます．分析は機械学習モジュール上で行われますがJUSE-StatWorks/V5の他製品 と同様な画面・機能構成としているため，既にJUSE-StatWorks/V5の他製品を使われている方にも，利用しやすい仕様となっています．
- StatWorks/V5 機械学習編における開発のねらいと概要
- 開発のねらいや，多変量解析手法との関連についての資料をご覧いただけます．
印刷にはPDF版をご利用ください．
JUSE-StatWorks/V5 機械学習編R2 カタログ（PDF）
製品概要
適用用途
研究開発，生産技術，製造管理，品質改善などの問題解決（予測や要因解析，異常検知，解釈支援）等
稼働環境と製品価格
本ソフトウェアに必要な環境についてはJUSEパッケージ 稼働環境・対応OSと取扱データをご覧ください．
製品価格については製品価格表ページをご覧ください．
機械学習編R2以外のStatWorks/V5シリーズをお持ちの場合の導入方法
スタンドアロン版の場合，StatWorks/V5シリーズがあらかじめインストールされているPCへ機械学習編R2を追加インストールすると，元のメニューに機械学習編R2の各手法が追加されます．
既にお持ちの製品がネットワーク版の場合，導入には以下の2通りの方法があります．
- 既にお持ちの製品からのお乗り換え
- 例えば「JUSE-StatWorks/V5 総合編」5ユーザ/25クライアントをお持ちの場合「JUSE-StatWorks/V5 総合編＋機械学習編R2」5ユーザ/25クライアントへのお乗り換えが可能です．ユーザ数，クライアント数はお手持ちの製品に合わせる必要があります．
- 機械学習編R2のスタンドアロン版を追加インストールする
- 「JUSE-StatWorks/V5 総合編」がインストールされているクライアントPCへ，機械学習編R2のスタンドアロン版をインストールします．スタンドアロン版同様に，元のメニューに機械学習編R2の各手法が追加されます．
※ネットワーク版の管理メニューからは，追加した機械学習編R2スタンドアロン版のラインセス管理は行えません - 従来の機械学習編から機械学習編R2への乗り換え方法
- スタンドアロン版をお持ちの場合は，ご購入申し込み・お見積書作成フォームへお進み下さい．なお複数ライセンスのスタンドアロン版およびネットワーク版の乗り換えをご希望の場合はパッケージ営業担当 までお問い合わせ下さい．
主な搭載手法
「JUSE-StatWorks/V5 機械学習編R2」は以下の手法を搭載しています．各手法の詳細については機械学習手法ページをご覧ください．
| 分類 | 主な搭載手法 |
|---|---|
| 基本処理 | ファイル入出力 ワークシート 基本解析，検定・推定 |
| データ前処理 | データクリーニング データ分割 |
| データ可視化 | モニタリング 濃淡散布図 密度プロット 等高線図 時系列グラフ |
| 情報要約 | カーネル主成分分析 |
| 層別 | 混合ガウス分布 |
| 正則化回帰 | リッジ回帰 lasso回帰 Elastic Net 正則化ロジスティック回帰 |
| 分類・予測 | k-近傍法 サポートベクターマシン（SVM） ランダム・フォレスト |
| 外れ値検出 | 1クラスSVM |
| 因果分析 | glasso |
| モデル評価 | 予測判定グラフ 誤判別表 |
機械学習編R2で搭載された主な新機能
| 機能 | 特徴 |
|---|---|
| データ分割 | データを学習データとテストデータに分割するフラグを出力できます |
| モニタリング | ヒストグラムや散布図などによるデータの可視化や注目すべきグラフを抽出できます |
| 時系列グラフ | 時系列データの可視化や時系列グラフの層別表示ができます |
| 正則化ロジスティック回帰 | ロジスティック回帰分析に正則化項（L1正則化項，L2正則化項）を追加した分類手法です．変数の数がサンプル数よりも多い場合も予測式を得ることができます |
| k-近傍法 | 各サンプルの予測を近傍の情報から行う分類手法です．最もシンプルな分類手法であり，他の分類手法に対するベンチマークとして活用することもできます |
| 予測判定グラフ | 実測値と予測値との一致度合いを視覚的に確認できます．複数の予測モデルから得られた予測結果を比較することができます |
| 誤判別表 | 実測カテゴリと予測カテゴリの一致度合いを確認できます．複数の予測モデルから得られた予測結果を比較することができます |
| 予測手法共通 | 「モデル評価方法」ダイアログの最終評価用サンプルの確保方法として「データ分割」で出力したデータ分割フラグ（学習/テスト）が指定できるようになりました |
| 全般 | 機械学習編グラフの線・プロットなどの属性（色・形状など）が変更できるようになりました |
出力画面例
データ可視化
カーネル主成分分析
混合ガウス分布（GMM）
リッジ回帰
Elastic Net
正則化ロジスティック回帰
決定木，ランダム・フォレスト
k-近傍法
glasso
