◆「ＫＹ法」は常に「眉唾な話」という感じで見られます：
The KY method is always regarded as the "fishy story talk"
残念ですが「ＫＹ法」による１００％完全分類の実験結果について発表すると、「ＫＹ法」を初めて聞かれた方々には常に「うさんくさい話」として受け止められます。実際、何十年と化学データ解析を行ってきた私自身もこの「ＫＹ法」を用いて約７０００ものＡｍｅｓ試験サンプルの完全分類が出来た時には、思わずこれは奇跡か単なる偶然に過ぎないと思いました。そこで、何度も検証しましたが、完全分類は事実でした。
もし私も「ＫＹ法」の開発者でなく、一般の立場でこの解析結果を聞けば、やはり他の研究者同様に疑いの眼を持ってしまうでしょう。なぜならば、私も安全性研究分野での１００％（完全）分類実現の難しさを骨にしみるほど体験しているので・・・。こんなことあるはずがない・・・と。
＊ある人からのアドバイス：Advice from a certain person
私をよく知った親切な方は次のようにアドバイスしてくれました。「湯田さん、７０００ものＡｍｅｓ試験サンプルを１００％完全分類したなんて発表したら、聴いた人たちはだれも信用しません。眉唾と思われるだけですよ。少し値を落として９５％から９８％と発表した方がみなさん興味を持ってついてくると思います」と忠告してくれました。このように「ＫＹ法」は、その実行結果だけを聴いた直後は、データ解析を知っている人も知らない人も一様に「信じられない話で、眉唾な話」と思いこんでしまうようです。無理もありませんが・・・。
＊事実を検証してこそ科学：It is science just by verifying the facts
しかし、「ＫＹ法」を用いることで常に１００％完全分類を達成できることは事実です。従来の常識に捕らわれて嘘を発表する事はできません。話を信じるか信じないかは、聴いた本人の問題と思います。しかし、「ＫＹ法」の解析結果を聴いて「眉唾な話」としてとらえること自体は、自分の常識や価値観から抜け出られないことの証であり、常に実験事実を優先して物事を冷静に考えることが科学者の務めであるはずなのに、本当に残念です。
＊疑いの目で見られることは、「ＫＹ法」のすごさの証明：
Seeing by the eye of doubt is the proof of the dreadfulness of the "KY methods"
これだけ疑いの目で見られるという事実は、「ＫＹ法」の結果が従来手法と比較して信じられないレベルの高い結果を出していることの間接的な証拠と考えます。Ames試験での「ＫＹ法」適用に続き、約６００化合物を用いた皮膚感作性評価実験でも１００％（完全）分類を実現しました。この皮膚感作性データを用いた実験は、サンプル数が少ない時（２１４化合物）は従来からの多変量解析／パターン認識手法でも１００％（ＴＩＬＳＱ，ＡｄａＢｏｏｓｔ）から９９．５％の分類率を達成したのですが、サンプル数が多くなった（５９３化合物）時点で完全分類や高い分類率を実現することが出来なくなりました。そこで、開発早々の「ＫＹ法」を適用したところ１００％（完全）分類が実現されました。これは、「ＫＹ法」の二番目の適用事例となります。
◆実現不可能を可能にした「ＫＹ法」：
The "KY methods" made realize from impossible to possible
安全性評価研究分野では、約７０００にも及ぶ大きな数（実際には数が大きいだけではなく、扱う化合物の構造変化性が極めて高い）のサンプル群を、変異原性「ポジ」および「ネガ」の二クラスに完全分類することは「夢のまた夢」というくらいに難しい仕事で、殆ど不可能と考えられてきました。私も、仕事上の関係で様々な多変量解析／パターン認識手法を駆使し、パラメータ等を創意工夫し、サンプリング等を変えながら何度もチャレンジしてきました。この結果、従来手法での完全分類は実現不可能との結論に至り、１００％は無理であっても、如何にして高い値を実現するかというように目標を変えて実験してきました。しかし「ＫＹ法」を用いることで、不可能と考えていた１００％（完全）分類が実現したのです。
＊「ＫＹ法」の常識はずれといえる機能:
The "KY methods" is far beyond common sence of multivariate and pattern recognition methods
「ＫＹ法」がうさんくさい手法として見られるのは、その分類結果（二クラス分類）や相関係数／決定係数（重回帰：フィッティング）結果が従来からの多変量解析／パターン認識の常識を覆す程高い値を示すためです。その従来からの常識とは以下の二点です。
データ解析の常識１：サンプル数が大きくなるほど分類率は下がる
Common sense1:A classification rate falls, so that the number of samples is large.
↓↓↓↓↓↓
ＫＹ法の能力１⇒サンプル数が大きくなっても常に完全分類実現
Power of the KY-methods⇒Even if the number of samples becomes large, perfect classification is always realized.
データ解析の常識２：クラス間重なりの大きなサンプル群を完全分類するのは極めて困難か不可能
Common sense2: It must be impossible to carry out perfect classification on the big sample space which have large overlapping space of two classes.
↓↓↓↓↓↓
ＫＹ法の能力２⇒たとえどんなにクラス間のオーバーラップが強くとも、完全分類実現
Power of the KY-methods⇒A perfect classification is realized even if class samples are highly overlapped.
「ＫＹ法」の実施基本原理から容易にわかりますが、「ＫＹ法」を用いれば、サンプル数がどんなに大きくなっても１００％完全分類が実現します。この事実は、先の常識１を覆すものです。また、たとえサンプル数が少なくとも、クラス間の重複度が高い場合は従来手法では完全分類出来ないのですが、両サイドの空間に単一クラスサンプルのみが存在する空間がある限り、必ず完全分類が実現されます。この事実は常識２を無効にしてしまう事実です。
既に、「ＫＹ法」の適用事例で言うならば（二クラス分類）、常識１を覆す事実に関しては７０００のAmes試験サンプルを用いた実験結果が証明しています。常識２を覆す事実はサンプル数はさほど大きくありませんが、約６００の皮膚感作性試験の完全分類実現で証明されています。
