このページは、手順どおりに実行するチュートリアルではありません。自分でデータを選び、自分で設計し、自分で完走するための課題テンプレートです。作業の型はクイックスタート（組成からバンドギャップを予測する）が参考実装になります。まずクイックスタートを一周してから、今度は自分のデータで同じループを回してみてください。各節にはチェックリスト・マイルストーン・自己評価ルーブリック・レポートのひな形を用意しました。
🧭 この課題の位置づけ
ロードマップの Stage 1〜2（全体像とコア技術）を終えた方向けの、仕上げの課題です。Stage 3・4 まで進んでいれば、より発展的な設計にも挑戦できます。参考実装のコードをそのまま流用してよく、狙いは「実行済みコードを読む」から「自分で一周する」への一歩を踏み出すことにあります。
🎯 ゴール
この課題では、次のことを一人で完走します。
- 30サンプル以上の材料データを対象に、特徴量化 → ベースライン → 交差検証 → 解釈 → 限界の考察という一連の流れを最後まで通します。
- その過程と結果を、A4で2〜3枚ほどの短いレポートにまとめます（本ページ下部にひな形があります）。
- 所要時間の目安は4〜8時間です。データ収集に時間がかかる場合は、公開データや参考実装の拡張から始めると短縮できます。
完璧な精度を出すことがゴールではありません。誠実に評価し、結果を自分の言葉で解釈し、限界まで言い切ることが、このプロジェクトで身につけてほしい姿勢です。
🗂️ データの選択肢
次の3つの入口から1つを選びます。手元にデータがなくても始められます。どの入口でも、出典と取得日を必ず記録してください。
A. 自分の研究・業務データ
最も学びが大きい入口です。ふだん扱っている測定値や合成条件を、予測タスクとして定式化します。
- 目的変数（予測したい物性）と入力（組成・条件など）を先に決めます。
- 公開できないデータでも、レポートには件数と範囲だけ記せば十分です。
B. 公開データを使う
自分のデータがない場合の王道です。次のいずれかから、興味のある物性を抜き出します。
- Materials Project（DFT計算物性）
- MatBench（回帰・分類のベンチマーク集）
- OQMD（形成エネルギー等）
- NOMAD（多様な計算・実験データ）
C. 参考実装のデータを拡張
最短で始めたい方向け。クイックスタートの30化合物に、自分で化合物を足していきます。
- 文献値から10〜20化合物を追加し、40〜50件に増やします。
- 元素特性表に、追加元素の実測タブレート値を書き足します。
✅ 必須要件チェックリスト
レポート提出（＝自分への提出でも構いません）までに、次の7項目をすべて満たしてください。チェックの状態はこのブラウザ内に保存され、他の人には共有されません。
-
データは30件以上、出典を明記した 件数・対象範囲・出典（文献名やデータベース名）・取得日を記録します。値をきれいに見せるための恣意的な取捨選択はしません。
-
組成または構造ベースの特徴量化を行い、選んだ理由を書いた どの記述子を使い、なぜそれが目的変数と関係すると考えたのかを一言添えます。参考実装の6記述子（電気陰性度差など）を出発点にできます。
-
ベースライン（平均予測またはダミー回帰）を用意した scikit-learn の
DummyRegressorなどで「何も学習しない基準」を作り、モデルがそれを本当に上回るかを確認します。 -
データ量に応じた交差検証を選び、根拠を書いた 数十件なら Leave-One-Out、百件以上なら 5-fold といった選び方を、件数に照らして説明します。
-
MAE と R² を報告した 交差検証で求めた平均絶対誤差（MAE）と決定係数（R²）を、ベースラインの値と並べて示します。
-
特徴量重要度または誤差分析で解釈した どの特徴量が効いたか、どの試料で大きく外したかを調べ、材料科学の言葉で意味づけします。
-
限界と次の一手を考察した データ量・特徴量・手法のどこに限界があり、次に何を試すべきかを言い切ります。
📅 マイルストーン
4つの段階に分けて進めると、全体を見通しやすくなります。所要時間は目安です。
| 段階 | 主な作業 | 完了の目安 |
|---|---|---|
| 1. データ準備 | データの選択・収集・整形。目的変数と入力を確定し、出典を記録する。 | 30件以上の表が手元にあり、各行の出典を説明できる。欠測・重複を確認済み。 |
| 2. モデル構築 | 特徴量化、ベースライン、回帰モデル（まずランダムフォレスト等）の実装。 | 特徴量行列が作れ、ベースラインと本モデルの両方が学習できる状態。 |
| 3. 評価 | 交差検証で MAE・R² を算出。予測を1件ずつ確認し、特徴量重要度を出す。 | ベースラインとの比較ができ、当たった例・外した例を具体的に挙げられる。 |
| 4. レポート | 下記ひな形に沿って、背景から限界までを2〜3枚にまとめる。 | ひな形の6項目がすべて埋まり、第三者が読んで再現方針を追える。 |
📊 自己評価ルーブリック
提出前に、5つの観点で自分の成果物を見直します。「要改善」に当てはまる箇所があれば、そこが次の伸びしろです。
| 観点 | 発展 | 標準 | 要改善 |
|---|---|---|---|
| データ品質 | 出典・取得日・偏りまで明記し、前処理の判断も記録している。 | 件数と出典が明記され、基本的な前処理を行っている。 | 出典が曖昧、または恣意的な取捨選択がある。 |
| 手法選択 | 特徴量・モデル・CVの選択に、データに即した根拠が一貫している。 | 妥当な特徴量とモデルを選び、CVを設定している。 | 選択の理由が示されず、既定値をそのまま使っている。 |
| 評価の妥当性 | ベースラインと比較し、データ漏洩がないことまで確認している。 | 交差検証で MAE・R² を報告している。 | 学習データで評価している、または指標が欠けている。 |
| 解釈の深さ | 重要度や誤差を既知の物理と結びつけて説明している。 | 効いた特徴量や外した試料を指摘している。 | 数値を並べるだけで、意味づけがない。 |
| 報告の明瞭さ | 第三者が再現方針を追え、限界と次の一手まで言い切っている。 | ひな形の項目が埋まり、流れが追える。 | 項目が欠け、結論や限界が読み取れない。 |
📝 レポートテンプレート
次の6項目をそのまま見出しに使ってください。各項目は数行で構いません。埋めていくうちに、自分の理解の穴が見えてきます。
# 物性予測ミニプロジェクト レポート ## 1. 背景と目的 - 予測したい物性と、その物性が重要な理由 - このプロジェクトで確かめたい問い（例：組成だけでどこまで予測できるか） ## 2. データ - 出典（文献名・データベース名・取得日） - 件数、対象材料の範囲、前処理の内容 - 既知の偏り・欠測の有無 ## 3. 手法 - 特徴量化の方法と、その特徴量を選んだ理由 - ベースライン（平均予測またはダミー回帰） - モデルと交差検証の設計（LOO / 5-fold とその根拠） ## 4. 結果 - MAE と R²（ベースラインとの比較を含む） - よく当たった例・大きく外した例 ## 5. 考察 - 特徴量重要度または誤差分析からわかったこと - 結果は既知の物理と整合するか ## 6. 限界と次の一手 - データ量・特徴量・手法の限界 - 次に試すこと
⚠️ よくあるつまずき
実際に手を動かすと、多くの人が同じ落とし穴にはまります。先に知っておくと避けやすくなります。
前処理（標準化や特徴量選択）を、交差検証の外で全データにかけてしまうと、テスト情報が学習に混ざり、成績が実力以上に良く見えます。スケーリングや特徴量選択は、必ず各分割の学習側だけで学習させてください。
数十件しかないのに 8:2 で1回だけ分割すると、テストが数件になり評価が大きくブレます。件数が少ないときは Leave-One-Out や 5-fold の交差検証を使い、全件を一度ずつテストに回しましょう。
ランダムフォレストなどの木モデルは、学習データの範囲外を予測できません。参考実装でも、飛び抜けてバンドギャップの大きい MgO（実測7.80 eV）を3 eV台と大きく外しました。学習範囲の外にある試料の予測は、値そのものを信用しすぎないことです。
予測が当たっても、特徴量に物理的な意味づけができなければ、たまたま相関しただけかもしれません。参考実装の電気陰性度差（イオン性の目安）のように、なぜその特徴量が効くのかを一言で説明できる状態を目指してください。
当たった試料だけを見せると、モデルを過大評価してしまいます。参考実装が MgO の失敗をあえて示したように、外した例と限界を正直に書くことが、かえって信頼できるレポートになります。
🚀 次のステップ
一周を終えたら、興味の近い応用や、評価をさらに深める学習へ進めます。