■ハッカ油でバスタイムが爽やかに お風呂に入れると清涼感が味わえる、クールタイプの入浴剤ってありますよね。あれも、ハッカ油で代用可能!お風呂に2~3適垂らせば、ミントの涼感効果で、ひんやり感が味わえます。天然のミントの香りも楽しめるので、バスタイムがとっても贅沢な時間に。ハッカ油の人気な使い方の1つです。 なお、入れすぎると「クールすぎて寒い!」ということになりかねないので、ご注意を。 ■おうちで手軽にアロマテラピー ハッカ油は、アロマオイルとしての使い方も可能です。主なアロマ効果としては、以下のものがあります。 ・頭と気分をリフレッシュ ・ストレス解消、リラックス ・眠気覚まし ハッカ油をハンカチやティッシュペーパーに垂らして香りをかげば、自宅だけでなく職場などでも手軽にアロマテラピーができるため、仕事で煮詰まったときのリフレッシュ方法としておすすめです。 また、枕元にハッカ油をしみこませたハンカチやタオルなどを置くと、リラックス効果でぐっすり眠れます。 便利な上に癒し効果まであるハッカ油を、思いっきり活用してください! →日々の暮らしに役立つハッカ油の使い方はコチラのサイトにも
「あぷりのお茶会 赤坂・麻布・六本木」へようこそ! 手消毒用アルコールスプレーがあの登山アイテムで作れる！ | 楽しみながら山歩き. 「エタノール」って? 実は、ハッカ油を使ったスプレーを作りた かったのですが、その材料の「エタノール」 がよくわからなかったので、今日は エタノールのお話です。 エタノールには、 「消毒用エタノール」と「無水エタノール」 の2種類があります。 アルコールの一種で、糖蜜やデンプン質から 作られる別名「酒精」と呼ばれるお酒に含まれ る成分がエタノールで、ビールやワイン、 日本酒などのアルコール飲料に含まれています。 「消毒用エタノール」は80%濃度 「エチルアルコール(CH₃CH₂OH)」の構造式 を持つ揮発性の無色透明で、特有の香りと味を 持つ液体です。 刺激性は濃度が高い時に強く、 殺菌力は80%濃度が最も強い、 といわれています。 「殺菌力は80%濃度の時が一番強い」という ことから、「消毒用エタノール」はこの濃度 に調整されて売られています。 ケガなどで消毒をしたい時に、ウォッカ等の 度数の高いお酒を使うなどとも聞きますが、 それは消毒用エタノールの代わりとして 使っているのですね。 「無水エタノール」は99. 5% 一方、「無水エタノール」はほとんど水を 含んでいないために「無水」という名前が ついているわけです。 * 無水エタノール 消毒用エタノール ___________________________ エタノール 99. 5% 80% * 水 0.
data-full-width-responsive="false" 本格的な冬到来!となりすっかり虫が減ってきたと思っていても、 秋こそ油断大敵 です! もう冬に片足突っ込んでいますが、おすすめの 虫除け対策 を(^^)/ 我が家で今年の夏も活躍した ハッカ油! いや、そろそろ扇風機しまおうか。笑 ハッカ油も色んなところが販売していますが、個人的にはこの3種類で悩みました(^^) そして私は一番上のを選んだわけですが、特に理由やこだわりはないので、次は他の2種を試してみようと思っています♪ このハッカ油で虫除け対策以外にも ①香りでリフレッシュ効果 ②クールダウン ③ハウスキーピング と様々な効果あり! 今回は ③ハウスキーピング から虫除け対策を紹介します♪ ハッカ油の虫除け効果とは? 虫除けスプレーは肌など、できるだけ 体に負担の少ないもの を使いたい! お子さんのいる家庭には特にお勧めなのが、 ハッカ油で作る手作りの虫除けスプレー ♪ 清涼感を感じされるハッカ油の香りは好き嫌いが分かれると思いますが、 蚊などの虫はハッカ油の香りを察知すると、その場から逃げてしまいます (^^)/ この性質を利用して虫除け対策に効果的なのです♪ 虫除けスプレー作りに必要なもの 無水エタノール:10ml ハッカ油:5~10滴 精製水:90ml ポリスチレン製容器以外 無水エタノール と記載していますが、 消毒用エタノール でも代用可です♪ そして 精製水と も記載しましたが、 水道水 でも大丈夫です(^^)/ 無水エタノール と 消毒用エタノール の違いについては後程! 精製水は、水道水とは違って不純物の入っていない水です♪ 精製水は とても安い(500ml=約100円) ので、精製水を使用してもいいのですが私は水道水で(^^)/ ハッカ油の虫除けスプレーの作り方 ① 無水エタノール10m lに ハッカ油を5~10滴 ほど垂らして混ぜる ※ハッカ油の量は、香り刺激が強過ぎないかどうかを確認しながら、徐々に増やして下さい ※エタノールとハッカ油をよく混ぜておかないと、その後水と混ざりにくくなります ② 水90ml 入れてよく混ぜ合わせ、スプレーボトルに入れたらできあがり! ハッカ油スプレー容器の注意点 ハッカ油には 「 リモネン 」という成分が含まれており、この成分が スチロール樹脂、 つまり ポリスチレン を溶かす性質があります!
こんにちは#kurasitenです。 以前 も書いたんですが、ハッカ油について。 ハッカ油。本当にハッカ油は便利ですねぇ。今年も既にハッカ油のお世話になっています。 我が家では、ハッカ油スプレー使いすぎて、家中ハッカの匂いがします(笑) ハッカ油はとにかく便利。万能。エアコンいらず。昔ながらの暮らしの知恵で暑苦しい夏を乗り切りましょう。ハッカ油バンザイ! 今回は、そんな万能なハッカ油を使った 虫除けスプレー&冷感スプレーの作り方 を紹介したいと思います! まずは、ハッカ油が何に使えるのか確認しよう。 本題に入る前に、ハッカ油が一体何に使えるのかについて確認しましょう。 ・・・など様々な用途に使えて万能なハッカ油。 今回の記事では、ハッカ油を使って虫よけや暑さ対策に便利はハッカ油スプレーの作り方を紹介したいと思います。 簡単!常備したい万能ハッカ油スプレーの作り方。 作り方は超簡単。まず以下のものを用意します。 エタノール、ハッカ油、水を用意します。 エタノール、ハッカ油、水を用意します。(大事なので2回目) エタノールは「無水エタノール」でも「消毒用エタノール」でもどちらでもOK。 無水エタノールがアルコール100%に対して、消毒用エタノールはアルコール度数が80%程度になっています。(※消毒用のほうが値段が圧倒的に安い場合が多いので消毒用エタノールを推奨。) ハッカ油の種類は、 健栄製薬の↑の製品が有名。その他、北見ハッカ油通商のハッカ油も有名です。もちろん、どちらでもOK! 一応、↓にAmazonのリンクも貼っておきます。 そして、スプレーに使用する水は、水道水でもミネラルウォーターでも水素水(笑)でもなんでもOK。 材料が準備出来たら、ハッカ油スプレーを作っていきます。 ハッカ油スプレーの作り方。作り方のポイント、注意点。 ハッカ油スプレーの作り方は、エタノールと水とハッカ油を以下の分量でスプレー容器に入れて混ぜるだけ。 エタノールを10ml~20ml 水を約90ml ハッカ油を約20滴 実際にはここまで正確に計量しなくても大体あってればOKです!
【入門】初心者が3か月でPythonを習得できるようになる勉強法! 当ブログ【スタビジ】の本記事では、Pythonを効率よく独学で習得する勉強法を具体的なコード付き実装例と合わせてまとめていきます。Pythonはできることが幅広いので自分のやりたいことを明確にして勉強法を選ぶことが大事です。Pythonをマスターして価値を生み出していきましょう!... Pythonを初学者が最短で習得する勉強法 Pythonを使うと様々なことができます。しかしどんなことをやりたいかという明確な目的がないと勉強は捗りません。 Pythonを習得するためのロードマップをまとめましたのでぜひチェックしてみてくださいね!
それでは実際に 勾配ブースティング手法をPythonで実装して比較していきます! 使用するデータセットは画像識別のベンチマークによく使用されるMnistというデータです。 Mnistは以下のような特徴を持っています。 ・0~9の手書き数字がまとめられたデータセット ・6万枚の訓練データ用(画像とラベル) ・1万枚のテストデータ用(画像とラベル) ・白「0」~黒「255」の256段階 ・幅28×高さ28フィールド ディープラーニング のパフォーマンスをカンタンに測るのによく利用されますね。 Xgboost さて、まずは Xgboost 。 Xgboost は今回比較する勾配ブースティング手法の中でもっとも古い手法です。 基本的にこの後に登場する LightGBM も Catboost も Xgboost をもとにして改良を重ねた手法になっています。 どのモデルもIteration=100, eary-stopping=10で比較していきましょう! 結果は・・・以下のようになりました。 0. 9764は普通に高い精度!! 【Pythonプログラム付】非常に強力な決定木のアンサンブル法ーランダムフォレストと勾配ブースティング決定木ー | モータ研究者の技術解説. ただ、学習時間は1410秒なので20分以上かかってます Xgboost については以下の記事で詳しくまとめていますのでこちらもチェックしてみてください! XGboostとは?理論とPythonとRでの実践方法! 当ブログ【スタビジ】の本記事では、機械学習手法の中でも非常に有用で様々なコンペで良く用いられるXgboostについてまとめていきたいと思います。最後にはRで他の機械学習手法と精度比較を行っているのでぜひ参考にしてみてください。... Light gbm 続いて、 LightGBM ! LightGBM は Xgboost よりも高速に結果を算出することにできる手法! Xgboost を含む通常の決定木モデルは以下のように階層を合わせて学習していきます。 それをLevel-wiseと呼びます。 (引用元: Light GBM公式リファレンス ) 一方Light GBMは以下のように葉ごとの学習を行います。これをleaf-wise法と呼びます。 (引用元: Light GBM公式リファレンス ) これにより、ムダな学習をしなくても済むためより効率的に学習を進めることができます。 詳しくは以下の記事でまとめていますのでチェックしてみてください! LightGBMの仕組みとPythonでの実装を見ていこう!
当サイト【スタビジ】の本記事では、最強の機械学習手法「LightGBM」についてまとめていきます。LightGBM の特徴とPythonにおける回帰タスクと分類タスクの実装をしていきます。LightGBMは決定木と勾配ブースティングを組み合わせた手法で、Xgboostよりも計算負荷が軽い手法であり非常によく使われています。... それでは、 LightGBM の結果はどのようになるでしょうか・・・? Light gbmは、0. 972!若干 Xgboost よりも低い精度になりました。 ただ、学習時間は178秒なので、なんと Xgboost よりも8分の1ほどに短くなっています! データサイエンスの 特徴量精査のフェーズにおいて学習時間は非常に大事なので、この違いは大きいですねー! Catboost 続いて、 Catboost ! Catboost は、「Category Boosting」の略であり2017年にYandex社から発表された機械学習ライブラリ。 発表時期としては LightGBM よりも若干後になっています。 Catboost は質的変数の扱いに上手く、他の勾配ブースティング手法よりも高速で高い精度を出力できることが論文では示されています。 (引用元:" CatBoost: gradient boosting with categorical features support ") 以下の記事で詳しくまとめていますのでチェックしてみてください! Catboostとは?XgboostやLightGBMとの違いとPythonでの実装方法を見ていこうー!! 勾配ブースティング決定木を用いた橋梁損傷原因および補修工法の推定と分析. 当サイト【スタビジ】の本記事では、XgboostやLightGBMに代わる新たな勾配ブースティング手法「Catboost」について徹底的に解説していき最終的にPythonにてMnistの分類モデルを構築していきます。LightGBMやディープラーニングとの精度差はいかに!?... さて、そんな Catboost のパフォーマンスはいかに!? ・・・・ 精度は、0. 9567・・ 処理時間は260秒・・ 何とも 中途半端な結果におわってしまいましたー! 総合的に見ると、 LightGBM が最も高速で実践的。 ただデータセットによって精度の良し悪しは変わるので、どんなデータでもこの手法の精度が高い!ということは示せない。 勾配ブースティングまとめ 勾配ブースティングについて徹底的に比較してきました!
こんにちは、ワピアです。😄 今回は、機械学習モデルの紹介をしたいと思います。 この記事では、よく使われる勾配ブースティング木(GBDT)の紹介をします! 勾配ブースティング木とは 基本的には有名な決定木モデルの応用と捉えていただければ大丈夫です。 GBDT(Gradient Boosting Decision Tree)と略されますが、もしかしたらより具体的なライブラリ名であるxgboost、lightgbmの方が知られているかもしれません。コンペとかでよく見ますよね。 コンペでよく見られるほど強力なモデルなので、ぜひ実装できるようにしましょう! GBDTの大まかな仕組み 数式を使って説明すると長~くなりそうなのでざっくり説明になります。 基本原理は以下の2点です。 1. 目的変数(求めたい結果)と予測値との誤差を減らす ように、決定木で学習させる。 2.1を繰り返しまくって、誤差を減らす 前の学習をもとに新たな学習を行うので、繰り返せば繰り返すほど、予測精度は上がります! 勾配ブースティング木手法をPythonで実装して比較していく！｜スタビジ. モデル実装の注意点 良い点 ・欠損値をそのまま扱える ・特徴量のスケーリングの必要なし(決定木なので大小関係しか問わない) スケーリングしても大小は変わらないので効果がないため、、、 ・カテゴリ変数をone-hot encodingしなくてOK これいいですよね、ダミー変数作るとカラムめちゃくちゃ増えますし、、、 ※one-hot encodingとは カテゴリ変数の代表的な変換方法 別の記事で触れます!すみません。 注意すべき点 ・過学習に注意 油断すると過学習します。トレーニングデータでの精度の高さに釣られてはいけません。 いよいよ実装! それでは、今回はxgboostでGBDTを実現しようと思います! import xgboost as xgb reg = xgb. XGBClassifier(max_depth= 5) (train_X, train_y) (test_X, test_y) 元データをトレーニングデータとテストデータに分けたところから開始しています。 これだけ? ?と思ったかもしれません。偉大な先人たちに感謝・平伏しております😌 最後に いかがだったでしょうか。 もう少し加筆したいところがあるので、追記していきたいと思います。 勾配ブースティング木は非常に強力ですし、初手の様子見として非常にいいと思います。パラメータをチューニングせずとも高精度だからです。 ぜひ使ってみてはいかがでしょうか。 何かご質問や訂正等ございましたら、コメントにお願いします!
給料の平均を求める 計算結果を予測1とします。 これをベースにして予測を行います。 ステップ2. 誤差を計算する 「誤差1」=「給料の値」ー「予測1」で誤差を求めています。 例えば・・・ 誤差1 = 900 - 650 = 250 カラム名は「誤差1」とします。 ステップ3. 誤差を予測する目的で決定木を構築する 茶色の部分にはデータを分ける条件が入り、緑色の部分(葉)には各データごとの誤差の値が入ります。 葉の数よりも多く誤差の値がある場合は、1つの葉に複数の誤差の値が入り、平均します。 ステップ4. アンサンブルを用いて新たな予測値を求める ここでは、決定木の構築で求めた誤差を用いて、給料の予測値を計算します。 予測2 = 予測1(ステップ1) + 学習率 * 誤差 これを各データに対して計算を行います。 予測2 = 650 + 0. 1 * 200 = 670 このような計算を行って予測値を求めます。 ここで、予測2と予測1の値を比べてみてください。 若干ではありますが、実際の値に予測2の方が近づいていて、誤差が少しだけ修正されています。 この「誤差を求めて学習率を掛けて足す」という作業を何度も繰り返し行うことで、精度が少しずつ改善されていきます。 ※学習率を乗算する意味 学習率を挟むことで、予測を行うときに各誤差に対して学習率が乗算され、 何度もアンサンブルをしなければ予測値が実際の値に近づくことができなくなります。その結果過学習が起こりづらくなります。 学習率を挟まなかった場合と比べてみてください! ステップ5. 再び誤差を計算する ここでは、予測2と給料の値の誤差を計算します。ステップ3と同じように、誤差の値を決定木の葉に使用します。 「誤差」=「給料の値」ー「予測2」 誤差 = 900 - 670 = 230 このような計算をすべてのデータに対して行います。 ステップ6. ステップ3~5を繰り返す つまり、 ・誤差を用いた決定木を構築 ・アンサンブルを用いて新たな予測値を求める ・誤差を計算する これらを繰り返します。 ステップ7. 最終予測を行う アンサンブル内のすべての決定木を使用して、給料の最終的な予測を行います。 最終的な予測は、最初に計算した平均に、学習率を掛けた決定木をすべて足した値になります。 GBDTのまとめ GBDTは、 -予測値と実際の値の誤差を計算 -求めた誤差を利用して決定木を構築 -造った決定木をそれ以前の予測結果とアンサンブルして誤差を小さくする→精度があがる これらを繰り返すことで精度を改善する機械学習アルゴリズムです。この記事を理解した上で、GBDTの派生であるLightgbmやXgboostの解説記事を見てみてみると、なんとなくでも理解しやすくなっていると思いますし、Kaggleでパラメータチューニングを行うのにも役に立つと思いますので、ぜひ挑戦してみてください。 Twitter・Facebookで定期的に情報発信しています!