常連

こんにちは、プログラミング初心者で
現在Webアプリケーションを作っています。
その中でどうしてもうまくいかないところがあるため、
質問させて頂きます。

行いたいことは、JSPに記載されている
hiddenのパラメータをサーブレットのgetParameterで取得したいです。
しかし、どうしても取得した値がnullになってしまうので、
手詰まり状態です。
何卒ご教授下さい。

問題のJSPの関係のあるであろうコードを以下に記載致します。
```lang-＜jsp＞
<form>
    		<c:forEach var="honzitsunokouho" items="${ sessionScope.pairToday }">
    		<input type="hidden" name="yourpairid" value="${ honzitsunokouho.pairId }"/>
	<ul class="box-pairlist">
    	<li>
    		<a href="PairInfo?switch=pairDetail">
    		<div>
    		<span class="label-treated"></span>
    			<div class="photo">
    				<div>
    					<img class="lazy" 
    						data-original="https://graph.facebook.com/${ honzitsunokouho.photo1 }/picture?width=120&height=120" 
    						width="120" 
    						height="120" 
    						alt="" />
                        <span class="new"></span>
                    </div>
                   	<div>
                   		<img class="lazy" 
                   			data-original="https://graph.facebook.com/${ honzitsunokouho.photo2 }/picture?width=120&height=120" 
                   			width="120" 
                   			height="120" 
                   			alt="" />
                        <span class="new"></span>
                    </div>
                </div>
                <div class="info">
                	<ul class="profile">
                    	<li>
                        	<span class="name">${ honzitsunokouho.name1 }(${ honzitsunokouho.age1 })</span>
                            <span class="job">${ honzitsynokouho.employment1 }${ honzitsunokouho.school1 }</span>
                        </li>
                        <li>
                           <span class="name">${ honzitsunokouho.name2 }(${ honzitsunokouho.age2 })</span>
                            <span class="job">${ honzitsynokouho.employment2 }${ honzitsunokouho.school2 }</span>
                       </li>
                        <li class="shop">肉会のお店：${honzitsunokouho.shop }</li>
                    </ul>
				</div>
				</div>
			</a>
        </li>
	</ul>
	</c:forEach>
		</form>
```
いまいち、フォーム文等についても理解できていないので、
どの辺りまでくくれば良いかなどわからずに作りました。

そして、こちらがhiddenの値を取得するサーブレットです。
```lang-＜java＞
dao.connect();
				String yourPairID = String.valueOf(request.getParameter("yourpairid"));
				System.out.println(yourPairID);
```
こちらは普通にgetParameterしているだけなので問題は無いかと思っております。
sysoutしてもnullとの表記です。

JSPについて中心的に見て頂けたらと思います。
何卒よろしく御願い致します。

JSPからhiddenの値をgetParameterしたいが、nullになってしまう。

Webプログラミング初心者です。
本当に初歩的な質問で失礼します。

以下のようにname属性を配列で合わせることによってGET送信で全て送信できますが

```
<input type="checkbox" name="data[]" value="a"/>
<input type="checkbox" name="data[]" value="b"/>
<input type="checkbox" name="data[]" value="c"/>
```

イメージは、こんなURIになると思っていました。
http://sample/xxx?data[]

ですが実際のURIがはこんな風になりました。
http://sample/xxx?data[]=a&data[]=b&data[]=c

上記のようなURIになるのは、正しいのでしょうか？
正しいとした場合、「クエリ文字列部分は単なる文字列でしかないため」でしょうか？？

配列の数だけURIがどんどん長くなるため少し嫌だなぁと思いました・・・。

配列をget送信時のURI部分

### 前提・実現したいこと

他のスプレッドシートからクエリ関数をつかって情報を持ってきたいです。
１つのシートに２つ式を入れており、片方は上手くいくのですが、もう片方がエラーになります。

元のスプレッドの1つのシートに２項目質問内容があり、それぞれ質問の回答が空欄ではない行を引っ張ってこようとしております。
本日中に解消したいため、どなたか分かる方お願いいたします。

上手く表示される方（B8セルに入力）

=query({
query(importrange("引用元スプレッドID","関西1-1!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西1-2!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西1-3!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西2-1!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西2-2!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西2-3!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西3-1!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西3-2!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","関西3-3!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14");
query(importrange("引用元スプレッドID","広域!B10:W"),"select Col1,Col2,Col3,Col4,Col5,Col6,Col7,Col8,Col9,Col10,Col11,Col12,Col13,Col14")
},"where Col14 is not null")

上手くいかない方（Y8セルに入力）

=query({ query(importrange("引用元スプレッドID","関西1-1!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西1-2!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西1-3!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西2-1!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西2-2!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西2-3!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西3-1!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西3-2!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","関西3-3!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54"); query(importrange("引用元スプレッドID","広域!B10:BD"),"select Col24,Col26,Col27,Col28,Col29,Col30,Col31,Col32,Col33,Col34,Col35,Col36,Col37,Col38,Col39,Col40,Col41,Col42,Col43,Col44,Col45,Col46,Col47,Col48,Col49,Col50,Col51,Col52,Col53,Col54") },
"where Col19 is not null")



### 発生している問題・エラーメッセージ

「関数 QUERY のパラメータ 2 のクエリ文字列を解析できません: NO_COLUMN: Col19」

### 試したこと

Col番号が間違っているのかと、前後の数字で試しましたがダメでした。
同一シートに２つの式は入れれないのかと思い、新規シートを作成して入力してもダメでした。
そもそも最後のwhereの後ろに入れるCol番号は、引用してきた後のシートの番号だと思うのですが、間違っているでしょうか？
（元データでは３行目でも、引っ張ってきて数式を入力した部分から２行目になるのであればCol2を指定）
この認識が間違っているとして、引用元のA１を１とすると４３，B1を１とすると４２になりますが、どちらも同じエラーでした。

### 補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

エラー「関数 QUERY のパラメータ 2 のクエリ文字列を解析できません」

### 質問内容
機械学習の学習精度が上がらず困っています.

実験環境は以下の通りです.

- モデル構造やその他関数：[こちら](https://cpp-learning.com/siamese-network/)を参考にしました（ベースネットワークはCNNに変更↓）.
- 入力画像サイズ：128×64（縦×横）
- 訓練データ数：約90万ペアの画像(MNISTではない)を使用.
- 検証用データ数：約6万ペア
- バッチサイズ：32
- エポック：100


変更したCNNのモデル構造です.
```python
    model = models.Sequential()

    weight_decay = 1e-4

    model.add(
        layers.Conv2D(
            filters=64,              
            kernel_size=(3, 3),     
            input_shape=(height, width, 1),
            padding='same',          
            kernel_regularizer=regularizers.l2(
                weight_decay),      
            activation='relu'       
        ))


    model.add(
        layers.Conv2D(
            filters=32,             
            kernel_size=(3, 3),     
            padding='same',          
            kernel_regularizer=regularizers.l2(
                weight_decay),       
            activation='relu'        
        ))


    model.add(
        layers.MaxPooling2D(
            pool_size=(2, 2)))       


    model.add(
        layers.Conv2D(
            filters=16,              
            kernel_size=(3, 3),      
            padding='same',          
            kernel_regularizer=regularizers.l2(
                weight_decay),       
            activation='relu'      
        ))


    model.add(
        layers.MaxPooling2D(
            pool_size=(2, 2)))       


    model.add(layers.Dropout(0.4))


    model.add(layers.Flatten())


    model.add(
        layers.Dense(
            128,                     
            activation='relu'))   

```

------------------------
次に示すものが，60エポックまでを実行した結果になります.
まだ，100エポックまでは学習できていないのですが，明らかにおかしな結果となっているため質問させていただきます.


```
Epoch 1/100
28203/28203 [==============================] - 909s 32ms/step - loss: 0.0054 - accuracy: 0.9973 - val_loss: 0.0869 - val_accuracy: 0.8809
Epoch 2/100
28203/28203 [==============================] - 927s 33ms/step - loss: 0.0055 - accuracy: 0.9967 - val_loss: 0.0871 - val_accuracy: 0.8823
Epoch 3/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0080 - accuracy: 0.9928 - val_loss: 0.0870 - val_accuracy: 0.8823
Epoch 4/100
28203/28203 [==============================] - 931s 33ms/step - loss: 0.0088 - accuracy: 0.9916 - val_loss: 0.0859 - val_accuracy: 0.8820
Epoch 5/100
28203/28203 [==============================] - 922s 33ms/step - loss: 0.0127 - accuracy: 0.9859 - val_loss: 0.0850 - val_accuracy: 0.8806
Epoch 6/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.0176 - accuracy: 0.9788 - val_loss: 0.0805 - val_accuracy: 0.8817
Epoch 7/100
28203/28203 [==============================] - 922s 33ms/step - loss: 0.0178 - accuracy: 0.9785 - val_loss: 0.0773 - val_accuracy: 0.8798
Epoch 8/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0221 - accuracy: 0.9745 - val_loss: 0.0685 - val_accuracy: 0.8861
Epoch 9/100
28203/28203 [==============================] - 909s 32ms/step - loss: 0.0317 - accuracy: 0.9674 - val_loss: 0.0496 - val_accuracy: 0.9331
Epoch 10/100
28203/28203 [==============================] - 916s 32ms/step - loss: 0.0462 - accuracy: 0.9602 - val_loss: 0.6956 - val_accuracy: 0.0393
Epoch 11/100
28203/28203 [==============================] - 932s 33ms/step - loss: 0.0543 - accuracy: 0.9574 - val_loss: 0.9462 - val_accuracy: 0.0393
Epoch 12/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.0479 - accuracy: 0.9583 - val_loss: 0.9610 - val_accuracy: 0.0393
Epoch 13/100
28203/28203 [==============================] - 920s 33ms/step - loss: 0.0467 - accuracy: 0.9588 - val_loss: 0.9506 - val_accuracy: 0.0393
Epoch 14/100
28203/28203 [==============================] - 920s 33ms/step - loss: 0.0456 - accuracy: 0.9590 - val_loss: 0.9570 - val_accuracy: 0.0393
Epoch 15/100
28203/28203 [==============================] - 944s 33ms/step - loss: 0.0457 - accuracy: 0.9590 - val_loss: 0.9527 - val_accuracy: 0.0393
Epoch 16/100
28203/28203 [==============================] - 920s 33ms/step - loss: 0.0456 - accuracy: 0.9587 - val_loss: 0.9543 - val_accuracy: 0.0393
Epoch 17/100
28203/28203 [==============================] - 903s 32ms/step - loss: 0.0450 - accuracy: 0.9588 - val_loss: 0.9430 - val_accuracy: 0.0393
Epoch 18/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0449 - accuracy: 0.9585 - val_loss: 0.9051 - val_accuracy: 0.0393
Epoch 19/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0457 - accuracy: 0.9575 - val_loss: 0.9381 - val_accuracy: 0.0393
Epoch 20/100
28203/28203 [==============================] - 911s 32ms/step - loss: 0.0465 - accuracy: 0.9566 - val_loss: 0.9509 - val_accuracy: 0.0393
Epoch 21/100
28203/28203 [==============================] - 933s 33ms/step - loss: 0.0465 - accuracy: 0.9564 - val_loss: 0.9289 - val_accuracy: 0.0393
Epoch 22/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0458 - accuracy: 0.9575 - val_loss: 0.9283 - val_accuracy: 0.0393
Epoch 23/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.0452 - accuracy: 0.9576 - val_loss: 0.9506 - val_accuracy: 0.0393
Epoch 24/100
28203/28203 [==============================] - 904s 32ms/step - loss: 0.0455 - accuracy: 0.9578 - val_loss: 0.9145 - val_accuracy: 0.0393
Epoch 25/100
28203/28203 [==============================] - 933s 33ms/step - loss: 0.0455 - accuracy: 0.9576 - val_loss: 0.9443 - val_accuracy: 0.0393
Epoch 26/100
28203/28203 [==============================] - 923s 33ms/step - loss: 0.0455 - accuracy: 0.9577 - val_loss: 0.9385 - val_accuracy: 0.0393
Epoch 27/100
28203/28203 [==============================] - 934s 33ms/step - loss: 0.0455 - accuracy: 0.9574 - val_loss: 0.9581 - val_accuracy: 0.0393
Epoch 28/100
28203/28203 [==============================] - 906s 32ms/step - loss: 0.0457 - accuracy: 0.9571 - val_loss: 0.9508 - val_accuracy: 0.0393
Epoch 29/100
28203/28203 [==============================] - 933s 33ms/step - loss: 0.0459 - accuracy: 0.9563 - val_loss: 0.8768 - val_accuracy: 0.0393
Epoch 30/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.0455 - accuracy: 0.9565 - val_loss: 0.9283 - val_accuracy: 0.0393
Epoch 31/100
28203/28203 [==============================] - 918s 33ms/step - loss: 0.0452 - accuracy: 0.9571 - val_loss: 0.9602 - val_accuracy: 0.0393
Epoch 32/100
28203/28203 [==============================] - 919s 33ms/step - loss: 0.0461 - accuracy: 0.9569 - val_loss: 0.9412 - val_accuracy: 0.0393
Epoch 33/100
28203/28203 [==============================] - 933s 33ms/step - loss: 0.0465 - accuracy: 0.9565 - val_loss: 0.9512 - val_accuracy: 0.0393
Epoch 34/100
28203/28203 [==============================] - 925s 33ms/step - loss: 0.0471 - accuracy: 0.9563 - val_loss: 0.9471 - val_accuracy: 0.0393
Epoch 35/100
28203/28203 [==============================] - 933s 33ms/step - loss: 0.0464 - accuracy: 0.9562 - val_loss: 0.9475 - val_accuracy: 0.0393
Epoch 36/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.0464 - accuracy: 0.9567 - val_loss: 0.8290 - val_accuracy: 0.0385
Epoch 37/100
28203/28203 [==============================] - 932s 33ms/step - loss: 0.0462 - accuracy: 0.9568 - val_loss: 0.9415 - val_accuracy: 0.0393
Epoch 38/100
28203/28203 [==============================] - 923s 33ms/step - loss: 0.0463 - accuracy: 0.9568 - val_loss: 0.9611 - val_accuracy: 0.0385
Epoch 39/100
28203/28203 [==============================] - 919s 33ms/step - loss: 0.0468 - accuracy: 0.9565 - val_loss: 0.9611 - val_accuracy: 0.0393
Epoch 40/100
28203/28203 [==============================] - 923s 33ms/step - loss: 0.0479 - accuracy: 0.9571 - val_loss: 0.9608 - val_accuracy: 0.0393
Epoch 41/100
28203/28203 [==============================] - 924s 33ms/step - loss: 0.5128 - accuracy: 0.4930 - val_loss: 0.9604 - val_accuracy: 0.0393
Epoch 42/100
28203/28203 [==============================] - 921s 33ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393
Epoch 43/100
28203/28203 [==============================] - 922s 33ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393
Epoch 44/100
28203/28203 [==============================] - 939s 33ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393

（同じ結果なので省略）

Epoch 58/100
28203/28203 [==============================] - 932s 33ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393
Epoch 59/100
28203/28203 [==============================] - 922s 33ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393
Epoch 60/100
28203/28203 [==============================] - 915s 32ms/step - loss: 0.9586 - accuracy: 0.0410 - val_loss: 0.9604 - val_accuracy: 0.0393
```
9エポックまではlossとval_lossは比較的低い値なのですが，10エポック以降では急激にval_lossが大きな値をとり，41エポック以降はlossも大きな値をとるようになってしまっています.正解率も途中まではよかったのですが，いきなり0付近の値になってしまいます.

これは何が原因で起こってしまっている問題なのでしょうか.
また，何をどのように改善するとよいのかご教授いただければ幸いです.

### 補足情報（FW/ツールのバージョンなど）
ubuntu　20.04
Python　3.8.10

tensorflow-gpu　2.5.3
keras　2.8.0
numpy　1.19.5

jupyter lab　2.3.2

---
##### 追記1
バッチサイズを128に増やした結果です.

![バッチサイズ：128](https://ddjkaamml8q8x.cloudfront.net/questions/2022-07-07/fc52458c-9181-4d1e-a0ba-15c08308bb77.jpeg)

---
##### 追記2
バッチサイズを32にした結果です.
データ数は約7万にし，同じクラス・違うクラスでほぼ同じ割合でペアを作成しています.

![バッチサイズ：32,  データ数：約7万](https://ddjkaamml8q8x.cloudfront.net/questions/2022-07-10/38455d95-10ce-4290-926b-2dbf6994ca8c.png)

機械学習でlossが急に上がる原因

テーブルデータの二値分類の分析をしています。
LightGBMをoptunaでパラメータチューニングし、チューニングしたパラメータをモデルに渡して学習させROC曲線とROCAUCスコアを出力させたいです。
最初はscikit-learn apiで書いていましたが、これでは調整出来るパラメータが少ないようなので、Training apiで書き換えようとしています。

ROCAUCやROC曲線を出力させるため、各クラスの予測確率を出力させたいのですが、training apiのｌｇｂｍにおいて予測確率を出力させるやり方がわかりません。
scikit-learn apiではpredict_probaが使えますが、これはtraining apiでは使えないですよね？

predict_probaの説明自体がscikit-learnのドキュメントに載っていますし、実際実行してみると、

```python
AttributeError: 'Booster' object has no attribute 'predict_proba'
```
と表示されてしまいます。

「"Training api" "predicted probability"」等で検索しましたが、結論としては解決法を見つけられませんでした。
このページ（https://teratail.com/questions/253968）を参考に、
```python
model.predict_proba(val_x)
```
としていたところを
```python
model.predict(data=val_x,raw_score=True)
```
と書き換えたのですが
```python
IndexError: too many indices for array: array is 1-dimensional, but 2 were indexed
```
と表示されてしまいます。

また、過去にも似たような質問はされているようなのですが、（https://teratail.com/questions/349446）結局どうしたらいいのかよくわかりませんでした。

Training　apiの場合予測確率を出力させることは不可能なのでしょうか…？

ご回答よろしくお願いいたします。

Training apiのLightGBMにおいて予測確率を出力させるにはどうしたらいいでしょうか？

Javaにて、以下を設定項目とするWebAPIの呼び出しを実装中です。

- 送信方式：POST
- Content-Type：application/x-www-form-urlencoded
- クエリパラメータ：_キー1_=_値1_&_キー2_=_値2_&_キー3_=_値3_

クエリパラメータの各値には"="や"&"が設定される可能性があるのですが、Content-Typeがapplication/x-www-form-urlencodedの場合、そもそも接続文字列として"="と"&"が使用されているため、これらを値として設定するには考慮が必要と考えております。

**質問１：** このような場合、そもそもエンコードにあたり考慮は必要でしょうか。
**質問２：** 考慮が必要である場合、どのようにクエリパラメータを作成すれば良いのでしょうか。

**現在の実装** 
```Java
import org.apache.commons.codec.net.URLCodec.URLCodec;

public request() {
    String url = "http://webapi";
    StringBuilder sb = new StringBuilder();
    String value1 = "value1";
    String value2 = "hoge&fuga";
    String value3 = "foo=bar";
    sb.append("key1=").append("value1")
    .append("&").append("key2=").append(value2)
    .append("&").append("key3=").append(value3);

    String enc = new URLCodec("URL-8").encode(sb.toString());

    HttpURLConnection conn;
    conn = new URL(url).openConnection();
    conn.setRequestMethod("POST");
    conn.setDoOutput(true);
    conn.setInstanceFollowRedirects(false);
    conn.setRequestProperty("Content-Type", "application/x-www-form-urlencoded;charset=utf-8");
    conn.connect();
    try (PrintWriter pw = new PrintWriter(
        new BufferedeWriter(
            new OutputStreamWriter(
                conn.getOutputStream(), "utf-8"))))
    {
        pw.print(enc);
    }
}
```
※例外処理は見やすさのため除外しています。
　また、文字列をエンコードするのにapache commonsのURLCodecを使用しています。

クエリパラメータの値として"="(イコール)や"&"(アンパサンド)を設定したい。

3次元点群の曲面近似を最小二乗法などを用いたプログラムで行いたいと考えています。7000個の点群データがあり、この点群データの形を多項式で近似したいです。（卵を縦に半分に切ったような形です）

numpyのployfitは平面座標上の点群の近似をパラメータを変えるだけで簡単に次数を変えられますが、このように空間座標の場合でも簡単に高次の近似式を実装する手段はございますでしょうか。
もしくは曲面のフィッティング関数を定義し、引数に次数を与えることで高次の近似式を実装する（引数で与えた次数の近似式を実装）ことは可能でしょうか。

3次元点群の曲面近似を高次元の最小二乗法などで実現したい

こんにちは。Unity初心者です。タイトルの通りなのですが、ゲーム開始時にScriptableObjectの初期化関数を実行したいのですがどうすればよいでしょうか？

ScriptableObjectはパラメータを保存することができますが、たとえばですがキャラクターの攻撃力をHPの1/10にしたいなど、パラメータそのものではなくパラメータを決める規則があるとします。その場合ゲーム開始時にパラメータを計算し、そのあとずっと求まった値を使いまわしたいと思うのですが、どうすればよいでしょうか？

ScriptableObjectのAwake関数がありますが、調べてみるとどうやらゲーム開始時に実行されるわけではないようなのです。以下のようにAwake関数を書いても、攻撃力はHPの1/10にはなりませんし、コンソール出力もありません。


```C#
public class Data : ScriptableObject
{
    public string name;
    public int HP;
    public int power;
        
　　public void Awake(){
        power = HP/10;
        Debug.Log("awake");
    } 
}　
```

よろしくお願いいたします。