JP2023056139A - 機械学習の評価方法及び機械学習による推定モデルの生成方法 - Google Patents
機械学習の評価方法及び機械学習による推定モデルの生成方法 Download PDFInfo
- Publication number
- JP2023056139A JP2023056139A JP2021165284A JP2021165284A JP2023056139A JP 2023056139 A JP2023056139 A JP 2023056139A JP 2021165284 A JP2021165284 A JP 2021165284A JP 2021165284 A JP2021165284 A JP 2021165284A JP 2023056139 A JP2023056139 A JP 2023056139A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- value
- values
- estimation
- estimation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】未学習の機械学習プログラムPに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データTDとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済みの推定モデルM1~Mnを複数生成するステップS1と、生成した複数の学習済みの推定モデルM1~Mnのそれぞれに同じ入力値aを入力し、それぞれの推定モデルから出力値X1~Xnを得るステップS2と、得られた複数の出力値の平均値Xmと標準偏差出るXmとを求めるステップS3と、前記標準偏差δXmが小さい出力値ほど、入力値に対する出力値の信頼性が高いと評価するステップS4と、を含む。
【選択図】 図1
Description
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差を用いて機械学習の評価を行うステップと、を含む機械学習の評価方法によって、上記課題を解決する。
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が小さい出力値ほど、入力値に対する出力値の信頼性が高いと評価するステップと、を含む機械学習による推定値評価方法によって、上記課題を解決する。
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が小さい出力値の推定モデルほど、入力値に対する出力値の信頼性が高いと評価するステップと、を含む機械学習プログラムの信頼性評価方法によって、上記課題を解決する。
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が所定値以下となる出力値の推定モデルを抽出するステップと、を含む機械学習プログラムの生成方法によって、上記課題を解決する。
以下、図面を参照して本発明の実施の形態を説明する。図1は、本発明に係る機械学習による推定値の評価方法を示す工程図、図2は、図1のステップS1を説明するための図、図3は、図1のステップS2を説明するための図である。本実施形態は、学習済み機械学習プログラムの入力値に対する推定値の信頼性を評価する方法であり、訓練データとは異なる答えの分かったテストデータを用いて評価する方法に代わる新たな評価方法である。
本実施例1では、熱伝導率が不明な部材を含む実験系の温度分布を測定し、これを学習済みの機械学習プログラムに入力することで熱伝導率を推定する。本例の機械学習プログラムは、既知の熱伝導率を有する部材を実験系に含めたときの温度分布と熱伝導率を含む訓練データを用いて学習処理されている。また、訓練データとは独立なテストデータに対して所定値以上の推定精度を有することも確認されている。
上述した実施例1と同様の実験を輻射率の推定に対して行った。推定する輻射率εは温度依存性を無視した。このため、推定精度Δは、実測値εTと、機械学習プログラムにより推定した出力値εとを次式の様に比較することで求めることができる。
上述した実施形態は、入力値に対する出力値(推定値)の信頼性を評価する方法であるが、本発明は、機械学習による推定モデルの信頼性を評価する方法にも具現化することができる。すなわち、本実施形態の機械学習による推定モデルの信頼性評価方法は、図6に示すように、未学習の機械学習プログラムPに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データTDとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済みの推定モデル群Mn(M1~Mn),M´n(M´1~M´n)…を複数生成するステップS11と、生成した複数の学習済みの推定モデル群Mn,M´n…のそれぞれに同じ入力値aを入力し、それぞれの推定モデル群Mn,M´n…から出力値X,X´…を得るステップS12と、得られた複数の出力値X,X´…の平均値Xmと標準偏差δX,δX´…とを求めるステップS13と、前記標準偏差δX,δX´…が小さい出力値の推定モデル群ほど、入力値に対する出力値の信頼性が高いと評価するステップS14と、を含む。以下、各ステップS11~S14について説明する。
M1~Mn…推定モデル
TD,TD´…訓練データ
a,b…入力値
X…出力値
δX…出力値の標準偏差
Claims (8)
- 未学習の機械学習プログラムに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済みの推定モデルを複数生成するステップと、
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差を用いて機械学習の評価を行うステップと、を含む機械学習の評価方法。 - 前記推定モデルは、回帰推定モデル又は分類推定モデルである請求項1に記載の機械学習の評価方法。
- 未学習の機械学習プログラムに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済みの推定モデルを複数生成するステップと、
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が小さい出力値ほど、入力値に対する出力値の信頼性が高いと評価するステップと、を含む機械学習による推定値評価方法。 - 前記推定モデルは、回帰推定モデル又は分類推定モデルである請求項3に記載の機械学習による推定値評価方法。
- 未学習の機械学習プログラムに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済みの推定モデルを複数生成するステップと、
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が小さい出力値の推定モデルほど、入力値に対する出力値の信頼性が高いと評価するステップと、を含む機械学習による推定モデルの信頼性評価方法。 - 前記推定モデルは、回帰推定モデル又は分類推定モデルである請求項5に記載の機械学習による推定モデルの信頼性評価方法。
- 未学習の機械学習プログラムに対し、複数の入力値と当該複数の入力値から経験的に得られた既知の出力値とを訓練データとして機械学習法による学習処理を実行し、入力値から出力値を得る学習済み推定モデルを複数生成するステップと、
生成した複数の学習済みの推定モデルのそれぞれに同じ入力値を入力し、それぞれの推定モデルから出力値を得るステップと、
得られた複数の出力値の平均値と標準偏差とを求めるステップと、
前記標準偏差が所定値以下となる出力値の推定モデルを抽出するステップと、を含む機械学習による推定モデルの生成方法。 - 前記推定モデルは、回帰推定モデル又は分類推定モデルである請求項7に記載の機械学習による推定モデルの生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021165284A JP7251590B1 (ja) | 2021-10-07 | 2021-10-07 | 機械学習の評価方法及び機械学習による推定モデルの生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021165284A JP7251590B1 (ja) | 2021-10-07 | 2021-10-07 | 機械学習の評価方法及び機械学習による推定モデルの生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7251590B1 JP7251590B1 (ja) | 2023-04-04 |
JP2023056139A true JP2023056139A (ja) | 2023-04-19 |
Family
ID=85779562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021165284A Active JP7251590B1 (ja) | 2021-10-07 | 2021-10-07 | 機械学習の評価方法及び機械学習による推定モデルの生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7251590B1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005242803A (ja) * | 2004-02-27 | 2005-09-08 | Mitsubishi Heavy Ind Ltd | 機械の性能推定器、性能推定方法及び性能推定プログラム |
JP2016057701A (ja) * | 2014-09-05 | 2016-04-21 | オムロン株式会社 | 識別装置および識別装置の制御方法 |
JP2019152948A (ja) * | 2018-03-01 | 2019-09-12 | 日本電気株式会社 | 画像判定システム、モデル更新方法およびモデル更新プログラム |
-
2021
- 2021-10-07 JP JP2021165284A patent/JP7251590B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005242803A (ja) * | 2004-02-27 | 2005-09-08 | Mitsubishi Heavy Ind Ltd | 機械の性能推定器、性能推定方法及び性能推定プログラム |
JP2016057701A (ja) * | 2014-09-05 | 2016-04-21 | オムロン株式会社 | 識別装置および識別装置の制御方法 |
JP2019152948A (ja) * | 2018-03-01 | 2019-09-12 | 日本電気株式会社 | 画像判定システム、モデル更新方法およびモデル更新プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7251590B1 (ja) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Quality-related fault detection approach based on dynamic kernel partial least squares | |
Wu et al. | Inverse uncertainty quantification using the modular Bayesian approach based on Gaussian process, Part 1: Theory | |
Kong et al. | Two-phase degradation process model with abrupt jump at change point governed by Wiener process | |
Sitte | Comparison of software-reliability-growth predictions: neural networks vs parametric-recalibration | |
Sankararaman et al. | Bayesian methodology for diagnosis uncertainty quantification and health monitoring | |
Hao et al. | Nonlinear step-stress accelerated degradation modelling considering three sources of variability | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
Ouyang et al. | A new loss function for multi-response optimization with model parameter uncertainty and implementation errors | |
Li et al. | Reliability modeling and evaluation of lifetime delayed degradation process with nondestructive testing | |
Ye et al. | A new class of multi-stress acceleration models with interaction effects and its extension to accelerated degradation modelling | |
Wu et al. | Fuzzy nonlinear programming approach for evaluating and ranking process yields with imprecise data | |
Liu et al. | Misspecification analysis of two‐phase gamma‐Wiener degradation models | |
Liu et al. | RUL prediction based on two‐phase wiener process | |
Li et al. | A wiener-based remaining useful life prediction method with multiple degradation patterns | |
WO2020105468A1 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
Rani et al. | Neural network for software reliability analysis of dynamically weighted NHPP growth models with imperfect debugging | |
JP7251590B1 (ja) | 機械学習の評価方法及び機械学習による推定モデルの生成方法 | |
Hanagal et al. | Analysis of delayed S-shaped software reliability growth model with time dependent fault content rate function | |
Eghtesadi et al. | Mean‐squared‐error‐based method for parameter ranking and selection with noninvertible fisher information matrix | |
CN109766518A (zh) | 考虑样本个体差异的不确定加速退化建模和分析方法 | |
Liu et al. | Reliability evaluation of two-phase degradation process with a fuzzy change-point | |
CN113361025B (zh) | 一种基于机器学习的蠕变疲劳概率损伤评定方法 | |
Maevsky et al. | Software reliability. Non-probabilistic approach | |
Xing et al. | Support vector regression for software reliability growth modeling and prediction | |
JP2011145905A (ja) | 予測関数生成装置、方法、及び、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211014 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230306 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7251590 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |