機械学習予測の誤差範囲

機械学習での回帰にて予測値の信頼区間を示したいなあと思い、調べてみました。

多くの事例が紹介されていましたが、いずれも同じような手法。２，３の方法に絞られるようです。

1. 分位回帰
2. 学習結果より RMSE を求め、予測値を平均とみなしσ分布を仮定した90％信頼区間を設ける
3. 予測後にSE等を求めるモデルを別途作成する。

試してみましたが、今回はどれもイマイチ。得られる見た目は回帰させるデータによるのでしょう。

Photos from Survey123

Survey123 で道路施設などの写真を収集してきました。

帰りに 収集後の online map のアドレスを関係者に送ったのですが、よく考えるとArcGISユーザーがほとんどいないかもしれません。その場合、reportを作成したり、写真を取り出したりする必要が出てきます。

• report を作成する方法：調査結果の印刷—ArcGIS Survey123 | ドキュメント
• 写真を取り出す方法：ArcPy: アタッチメント テーブルから添付ファイルを一括して抽出するツール | サポート | ESRIジャパン (esrij.com)

File Geodatabase なら写真を含んでいます。これを落とせばローカルでも GIS データを再構築できるのですが、ArcGISユーザーに限られます。QGISでも再構築できないか？と調べてみましたが、見当たりませんでした。写真を取り出すことは可能でしたが。
export - Exporting images attached to Geodatabase using QGIS - Geographic Information Systems Stack Exchange

便利ですが流行らないというのは、こういう汎用性のなさが原因なのでしょう。

山の固有周期

日本地すべり学会誌 Vol60　No.5の以下の報告に目が留まりました。

地中より地表のほうが良く揺れる、尾根と直行方向によく揺れる、といった内容です。山地のみならずダムでも既知の内容なのですが、周波数帯とも関連するのでより細かな評価が必要になる分野です。
https://phreeqc.blogspot.com/2022/12/blog-post_25.html
https://www.jstage.jst.go.jp/article/jls/45/3/45_3_207/_pdf 
後者の図７のようなイメージ図は見ます。が、この報告のようにパーティクルモーションまで整理された文献は見ませんね（当然すぎるからでしょうか？）。

この報告で気になったのが、山を角柱に模して固有周期を推定している最後の箇所。
モード解析なら点群をダウンロードしてソフトにかける（メッシュを切って材料値を与える）だけなので、このように仮定を多く設けずともそれほど手間をかけずに答えが出てきます。ですので、あえて仮定を複数取り入れて計算するこの簡易手法の結果がどこまで正しいのか、数値解析結果との比較の上で適用範囲や留意点等を見定める内容等であれば、より良い報告になったであろうと感じました。

昨年、似たような内容を含む数値解析の発表を海外で行いました。１次モードに着目したのですが、モード解析まで実施していませんでした。タイミングの良いこの報告に、「やりなさい」と突っ込まれたような気がします。