その現象を、実際のモデル計算で比較・診断する
プロセスデータのモデル化・診断を、NumPy だけで実装したアルゴリズムを実際に走らせて確かめるラボです。各カードの「実行」で合成データを生成し、回帰・PLS・JIT・グレーボックス・転移・生データ診断を計算します。ライブラリのブラックボックスでなく、中身（process_modeling_core.py）が読める形にしてあります。
NumPy / pandasOLS / Ridge / PCR / PLS
JIT ソフトセンサーグレーボックス転移学習
学べること各手法が、現象（共線性・非線形・ドリフト・ドメイン差）に対して実際にどう振る舞うか。指標で比較・診断する読み方。
誰向けEffect Lab で“壊れ方”を体感したあと、実際のモデル計算で確かめたい人。
最初にどこを押す各カードの 実行（10〜30 秒）。結果の画像とともに「結果の見方」が出ます。
何を見る各カードの「見る指標」と「結果の見方」。さらに「実務での意味」「危ない読み方」。
わかること各手法の性質と、指標による比較・診断のしかた。
わからないことあなたの実データでの最終性能。実測・前処理・検証が別途必要です（下の注意書き）。
はじめて触るなら → Process Effect Lab から。ノイズ・共線性・ドリフトなどを動かして、モデルがどこで壊れるかを見ます。
いま ここModeling Lab ── 仕組みを掴んだら、OLS / Ridge / PCR / PLS / JIT / グレーボックス / 転移学習 を実際に比較・診断する。
注意：このサイトは教育・検討用の合成データ実験です。実プラント・実装置では、前処理／外れ値処理／時系列分割／リーク防止／センサ校正／運転範囲外判定／モデル更新周期／実測検証が必要です。ここでの結果は、モデルの性質を理解するためのもので、そのまま実務判断に使うものではありません。
用語ミニ解説
- OLS
- 最小二乗法。y の縦方向の誤差を最小化して当てる素朴な回帰。x は正確という前提。
- Ridge
- OLS に「係数を大きくしすぎない」罰則を足した回帰。共線性で暴れる係数を抑える。alpha が罰則の強さ。
- PCR
- 主成分回帰。入力をまず主成分（分散の大きい方向）に圧縮し、その少数成分で回帰。共線性に強い。
- PLS
- 部分最小二乗回帰。y と相関の高い方向に入力を圧縮してから回帰。プロセス分野の定番。
- VIF
- 分散拡大係数。ある入力が他の入力でどれだけ説明できるか。10 超で多重共線性が強く係数が不安定。
- 条件数
- 入力行列の歪み具合。大きい（目安 100 超）ほど、わずかなデータ変化で係数が大きく動く。
- RMSE
- 二乗平均平方根誤差。予測のはずれ具合を元の単位で表す。小さいほど良い。外れ値に敏感。
- R²
- 決定係数。y のばらつきのうちモデルが説明できた割合。高くても係数解釈が正しいとは限らない。
- JIT ソフトセンサー
- 予測したい点の近くのデータだけで毎回その場で局所モデルを作る方式。非線形・非定常に強いが重い。
- グレーボックスモデル
- 物理の式（ホワイト）とデータ駆動の補正（ブラック）を組み合わせたモデル。
- 転移学習
- 別だが似た条件（ソース）で貯めたデータを、データの少ない対象（ターゲット）の学習に活かす。
- 負の転移
- ソースを使ったせいで、かえってターゲット単独より悪くなること。ドメイン差が大きいと起きやすい。
- ドメインギャップ
- ソースとターゲットの条件・分布の違い。大きいほど、過去データをそのまま使うと害になりやすい。
- 生データ診断
- モデルに入れる前に、外れ値・欠損・トレンド・張り付きなど「データの素性」を点検すること。
- リーク
- 本来使えない情報（未来の値・テスト側の統計など）が学習に混入すること。性能が嘘っぽく良く見える。
- 外れ値
- 他から大きく外れた点。原因（センサ異常・記録ミス・本当のイベント）を区別せず消すのは危険。
- ドリフト
- 時間とともに分布や関係がゆっくりずれていくこと。固定モデルは徐々に外す。JIT や更新が効く。