JP4985653B2 - 2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 - Google Patents
2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 Download PDFInfo
- Publication number
- JP4985653B2 JP4985653B2 JP2008544075A JP2008544075A JP4985653B2 JP 4985653 B2 JP4985653 B2 JP 4985653B2 JP 2008544075 A JP2008544075 A JP 2008544075A JP 2008544075 A JP2008544075 A JP 2008544075A JP 4985653 B2 JP4985653 B2 JP 4985653B2
- Authority
- JP
- Japan
- Prior art keywords
- class
- sample
- classification
- discriminant
- discriminant function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 81
- 230000006870 function Effects 0.000 claims description 278
- 238000004458 analytical method Methods 0.000 claims description 71
- 150000001875 compounds Chemical class 0.000 claims description 44
- 231100000419 toxicity Toxicity 0.000 claims description 27
- 230000001988 toxicity Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000011160 research Methods 0.000 description 14
- 238000010953 Ames test Methods 0.000 description 9
- 231100000039 Ames test Toxicity 0.000 description 9
- 230000033228 biological regulation Effects 0.000 description 7
- 231100000252 nontoxic Toxicity 0.000 description 7
- 230000003000 nontoxic effect Effects 0.000 description 7
- 239000003440 toxic substance Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 231100000167 toxic agent Toxicity 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000003471 mutagenic agent Substances 0.000 description 4
- 231100000707 mutagenic chemical Toxicity 0.000 description 4
- 230000003505 mutagenic effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 206010007269 Carcinogenicity Diseases 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 231100000260 carcinogenicity Toxicity 0.000 description 3
- 230000007670 carcinogenicity Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007886 mutagenicity Effects 0.000 description 2
- 231100000299 mutagenicity Toxicity 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000005556 structure-activity relationship Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000035502 ADME Effects 0.000 description 1
- 230000035495 ADMET Effects 0.000 description 1
- 238000010535 acyclic diene metathesis reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 231100000150 mutagenicity / genotoxicity testing Toxicity 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
- G06F16/244—Grouping and aggregation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
北島正人、Ciloy Martin Jose、湯田浩太郎 「薬理活性 およびADMETを同時評価するインテグレーテッド高速/仮想インシリコンスクリーニング(II):NTP発癌性データ」 第30回構造活性相関シンポジウム講演要旨集、P37、豊橋、2002年
20 AN判別関数
90 初期判別関数
92 ネガティブの誤分類サンプル
94 ポジティブの誤分類サンプル
100、102 グレークラス
200 2クラス分類予測モデルの作成装置
210 入力装置
220 出力装置
310 入力データテーブル
320 初期パラメータセットテーブル
330 最終パラメータセットテーブル
340 STAGEごとのAP/AN判別関数保存テーブル
400 解析部
410 初期パラメータ発生エンジン
420 制御部
430 特徴抽出エンジン
440 判別関数作成エンジン
450 分類結果比較部
460 新たなサンプルセット設定部
470 解析終了条件検出部
本発明の実施形態を説明する前に、まず、本発明の分類原理について説明する。
以下に、AP判別関数およびAN判別関数を得るための手順を含めて、本発明に係る一実施形態について説明する。なお、本発明は、クラス分類手法の種類に関わらず適用可能である。したがって、線形判別分析及び非線形判別分析等の手法の差異に関わらず、同じ原理で適用可能である。例えば、線形判別分析としては、線形学習機械法、判別分析、Bayes線形判別分析、SVM(Support Vector Machine)、AdaBoost等の手法が適用可能であり、非線形判別分析としては、Bayes非線形判別分析、ニューラルネットワーク等の手法が適用可能である。
次に、図6のステップP6に示すAP判別関数、AN判別関数の作成手順について説明する。
それぞれのSTAGE間で、使用する2本の判別関数(AP判別関数とAN判別関数)の作成手法は、必ずしも、同じである必要はない。また、1個のSTAGEにおいて、AP判別関とAN判別関数の作成手法も同一である必要はない、以下に、各STAGEにおいて作成する判別関数の作成手法の組み合わせ例を示す。
例)STAGE2 AN判別関数:線形学習機械法
AP判別関数:ニューラルネットワーク
STAGE3 AN判別関数:Bayes判別分析法
AP判別関数:最小二乗アルゴリズムによる判別分析法
例)STAGE2 AN判別関数:線形学習機械法
AP判別関数:線形学習機械法
STAGE3 AN判別関数:Bayes判別分析法
AP判別関数:Bayes判別分析法
図19は、本発明の一実施形態に係る2クラス分類予測モデルの作成装置のシステム構成を示すブロック図である。本実施形態の分類予測モデルの作成装置200は、サンプルデータを入力する入力装置210、分類結果あるいは処理途中の必要なデータを出力する出力装置220を備えている。入力装置210から、分類の学習に必要なサンプル情報が入力データテーブル310に入力される。入力装置210は、同様に初期パラメータセットのデータを初期パラメータセットテーブル320に入力する。なお、解析部400が入力されたサンプルについて初期パラメータを自動的に発生するためのエンジン410を有している場合は、初期パラメータセットデータを入力装置210から入力する必要はない。
図20に、本発明の方法、プログラム、装置によって形成された2クラス分類予測モデルを使用して、クラス未知サンプルの分類予測を行う場合の処理のフローチャートを示す。ステップS50でクラス未知サンプルXについて、パラメータを準備する。ステップS51でSTAGEを1に設定する。ステップS52で、STAGE1のAPおよびAN判別関数として記憶された判別関数を用いて、サンプルXのクラス分類を実行する。クラス分類は、目的変数を計算することによって実行される。ステップS53で、APおよびAN判別関数による分類結果を比較し、結果が同じ(ステップS53のYES)であれば、一致したクラスをサンプルXのクラスにアサインし(ステップS54)、処理を終了する(ステップS55)。
2)バイオ関連研究
3)蛋白質関連研究
4)医療関連研究
5)食品関連研究
6)経済関連研究
7)工学関連研究
8)生産歩留まり向上等を目的としたデータ解析
9)環境関連研究
1)の化学データ解析分野では、より詳細には、下記のような研究に適用できる。
(1)構造−活性/ADME/毒性/物性相関の研究
(2)構造−スペクトル相関研究
(3)メタボノミクス関連研究
(4)ケモメトリクス研究
Claims (8)
- 第1のクラスに属する複数のサンプルと第2のクラスに属する複数のサンプルとを含むサンプルセットを学習サンプルセットとして準備する第1のステップと、
前記学習サンプルセットに第1の判別分析を行って、前記第1のクラスに対する高い分類特性を持つ第1の判別関数を得る第1のサブステップと、前記学習サンプルセットに前記第1の判別分析とは異なる第2の判別分析を行って、前記第2のクラスに対する高い分類特性を持つ第2の判別関数を得る第2のサブステップとを含む、第2のステップと、
前記第1および第2の判別関数を用いて前記学習サンプルセットの分類を実行し、両者の分類結果が一致しないサンプルを特定する第3のステップと、
前記第3のステップで特定されたサンプルを新たなサンプルセットとして用いて、前記第2のステップおよび前記第3のステップを繰り返す第4のステップと、
前記第3のステップで前記一致しないサンプルの個数が一定値以下となった場合、繰り返し回数が一定値以上となった場合、繰り返しの処理時間が一定値以上となった場合のいずれかにおいて、前記第4のステップを停止させる第5のステップと、
から構成される処理をコンピュータに実行させる、2クラス分類予測モデルの作成プログラム。 - 請求項1に記載の2クラス分類予測モデルの作成プログラムにおいて、
前記第1のサブステップは、前記第1の判別関数を得るために、
前記学習サンプルセットに対して判別分析を行って初期判別関数を形成する第6のステップと、
前記初期判別関数による分類結果において、前記第2のクラスのサンプルであるにも関わらず前記第1のクラスのサンプルであると誤分類されたサンプルを前記サンプルセットから除去して新たなサンプルセットを形成し、当該サンプルセットに対して判別分析を行って新たな判別関数を得る第7のステップと、
前記第7のステップで得られた新たな判別関数を前記初期判別関数として、前記第7のステップを、前記初期判別関数による前記第1のクラスの誤分類サンプルが実質的に0となるまで繰り返す、第8のステップと、を備え、
前記第2のサブステップは、前記第2の判別関数を得るために、
前記学習サンプルセットに対して判別分析を行って初期判別関数を形成する第9のステップと、
前記初期判別関数による分類結果において、前記第1のクラスのサンプルであるにも関わらず前記第2のクラスのサンプルであると誤分類されたサンプルを前記サンプルセットから除去して新たなサンプルセットを形成し、当該サンプルセットに対して判別分析を行って新たな判別関数を得る第10のステップと、
前記第10のステップで得られた新たな判別関数を前記初期判別関数として、前記第10のステップを、前記初期判別関数による前記第2のクラスの誤分類サンプルが実質的に0となるまで繰り返す、第11のステップと、を備える、2クラス分類予測モデルの作成プログラム。 - 第1のクラスに属する複数のサンプルと第2のクラスに属する複数のサンプルとを含むサンプルセットを学習サンプルセットとして準備する第1のステップと、
前記学習サンプルセットに第1の判別分析を行って、前記第1のクラスに対する高い分類特性を持つ第1の判別関数を得る第1のサブステップと、前記学習サンプルセットに前記第1の判別分析とは異なる第2の判別分析を行って前記第2のクラスに対する高い分類特性を持つ第2の判別関数を得る第2のサブステップとを含む、第2のステップと、
前記第1および第2の判別関数を用いて前記学習サンプルセットの分類を実行し、両者の分類結果が一致しないサンプルを特定する第3のステップと、
前記第3のステップで特定されたサンプルを新たなサンプルセットとして用いて、前記第2のステップおよび前記第3のステップを繰り返す第4のステップと、
前記第3のステップで前記一致しないサンプルの個数が一定値以下となった場合、繰り返し回数が一定値以上となった場合、繰り返しの処理時間が一定値以上となった場合のいずれかにおいて、前記第4のステップを停止させる第5のステップと、を備え、
前記第2のステップで特定された前記第1および第2の判別関数を、クラス未知サンプルの分類予測モデルとして設定する、コンピュータが実行する2クラス分類予測モデルの作成方法。 - 請求項3に記載の2クラス分類予測モデルの作成方法において、
前記第1のサブステップは、前記第1の判別関数を得るために、
前記学習サンプルセットに対して判別分析を行って初期判別関数を形成する第6のステップと、
前記初期判別関数による分類結果において、前記第2のクラスのサンプルであるにも関わらず前記第1のクラスのサンプルであると誤分類されたサンプルを前記サンプルセットから除去して新たなサンプルセットを形成し、当該サンプルセットに対して判別分析を行って新たな判別関数を得る第7のステップと、
前記第7のステップで得られた新たな判別関数を前記初期判別関数として、前記第7のステップを、前記初期判別関数による前記第1のクラスの誤分類サンプルが実質的に0となるまで繰り返す、第8のステップと、を備え、
前記第2のサブステップは、前記第2の判別関数を得るために、
前記学習サンプルセットに対して判別分析を行って初期判別関数を形成する第9のステップと、
前記初期判別関数による分類結果において、前記第1のクラスのサンプルであるにも関わらず前記第2のクラスのサンプルであると誤分類されたサンプルを前記サンプルセットから除去して新たなサンプルセットを形成し、当該サンプルセットに対して判別分析を行って新たな判別関数を得る第10のステップと、
前記第10のステップで得られた新たな判別関数を前記初期判別関数として、前記第10のステップを、前記初期判別関数による前記第2のクラスの誤分類サンプルが実質的に0となるまで繰り返す、第11のステップと、を備える、コンピュータが実行する2クラス分類予測モデルの作成方法。 - 請求項4に記載の2クラス分類予測モデルの作成方法において、
前記初期判別関数および前記新たな判別関数は、前記学習サンプルセットに対して用意された初期パラメータセットに特徴抽出を行って最終パラメータセットを形成し、当該最終パラメータセットを用いて判別分析を行うことにより形成されることを特徴とする、コンピュータが実行する2クラス分類予測モデルの作成方法。 - 特定の毒性を有する場合を第1のクラス、前記毒性を有しない場合を第2のクラスとするとき、前記第1のクラスに属する複数の化合物と前記第2のクラスに属する複数の化合物とを含むサンプルセットを学習サンプルセットとして準備する第1のステップと、
前記学習サンプルセットに第1の判別分析を行って、前記第1のクラスに対する高い分類特性を持つ第1の判別関数を得る第1のサブステップと、前記学習サンプルセットに前記第1の判別分析とは異なる第2の判別分析を行って前記第2のクラスに対する高い分類特性を持つ第2の判別関数を得る第2のサブステップとを含む、第2のステップと、
前記第1および第2の判別関数を用いて前記学習サンプルセットの分類を実行し、両者の分類結果が一致しない化合物を特定する第3のステップと、
前記第3のステップで特定された化合物を新たなサンプルセットとして用いて、前記第2のステップおよび前記第3のステップを繰り返す第4のステップと、
前記第3のステップにおける前記一致しない化合物の個数が一定値以下となった場合、繰り返し回数が一定値以上となった場合、繰り返しの処理時間が一定値以上となった場合のいずれかにおいて、前記第4のステップを停止させる第5のステップと、を備え、
前記第5のステップ終了後の前記第2のステップで特定された複数の前記第1および第2の判別関数を、クラス未知の化合物の分類予測モデルとして設定することを特徴とする、コンピュータが実行する化合物の毒性予測モデルの作成方法。 - 第1のクラスに属する複数のサンプルと第2のクラスに属する複数のサンプルとを含むサンプルセットを学習サンプルセットのデータとして入力する入力装置と、
前記学習サンプルセットに第1の判別分析を行って、前記第1のクラスに対する高い分類特性を持つ第1の判別関数を作成し、且つ、前記学習サンプルセットに前記第1の判別分析とは異なる第2の判別分析を行って前記第2のクラスに対する高い分類特性を持つ第2の判別関数を作成する判別関数の作成装置と、
前記第1および第2の判別関数を用いて前記学習サンプルセットの分類を実行し、両者の分類結果が一致しないサンプルを特定する分類結果比較装置と、
前記分類結果比較装置において特定されたサンプルを新たなサンプルセットとして用いて、前記判別関数の作成装置および前記分類結果比較装置を繰り返し作動させる制御装置と、を備え、
前記制御装置は、前記分類結果比較装置における前記分類結果が一致しないサンプルの個数が一定値以下となった場合、繰り返し回数が一定値以上となった場合、繰り返しの処理時間が一定値以上となった場合のいずれかにおいて、前記繰り返し作動を停止させることを特徴とする、2クラス分類予測モデルの作成装置。 - 請求項7に記載の2クラス分類予測モデルの作成装置において、
前記判別関数の作成装置は、前記学習サンプルセットに対して用意された初期パラメータセットに特徴抽出を行って最終パラメータセットを形成し、当該最終パラメータセットを用いて判別分析を行うことにより形成されることを特徴とする、2クラス分類予測モデルの作成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008544075A JP4985653B2 (ja) | 2006-11-13 | 2007-03-27 | 2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006307277 | 2006-11-13 | ||
JP2006307277 | 2006-11-13 | ||
PCT/JP2007/056412 WO2008059624A1 (fr) | 2006-11-13 | 2007-03-27 | Procédé, programme et dispositif de réalisation d'un modèle de classification/prévision à deux classes |
JP2008544075A JP4985653B2 (ja) | 2006-11-13 | 2007-03-27 | 2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2008059624A1 JPWO2008059624A1 (ja) | 2010-02-25 |
JP4985653B2 true JP4985653B2 (ja) | 2012-07-25 |
Family
ID=39401438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008544075A Active JP4985653B2 (ja) | 2006-11-13 | 2007-03-27 | 2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7725413B2 (ja) |
JP (1) | JP4985653B2 (ja) |
KR (1) | KR101232945B1 (ja) |
WO (1) | WO2008059624A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5104877B2 (ja) * | 2007-12-18 | 2012-12-19 | 富士通株式会社 | 二クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび二クラス分類予測モデルの作成装置 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008126209A1 (ja) * | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
WO2010016109A1 (ja) | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
EP2323081A1 (en) * | 2008-08-05 | 2011-05-18 | Fujitsu Limited | Method of creating estimation model by means of multiple regression analysis, creation system and creation program |
JP5271877B2 (ja) * | 2009-11-17 | 2013-08-21 | 日本電信電話株式会社 | 複数クラス分類装置、複数クラス分類方法および複数クラス分類プログラム |
KR101139913B1 (ko) * | 2009-11-25 | 2012-04-30 | 한국 한의학 연구원 | 판정불능집단을 함께 분류하는 패턴 분류방법 |
US9275331B2 (en) * | 2013-05-22 | 2016-03-01 | International Business Machines Corporation | Document classification system with user-defined rules |
US11093869B2 (en) * | 2014-02-13 | 2021-08-17 | Brewmetrix Inc. | Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts |
JP5885875B1 (ja) * | 2015-08-28 | 2016-03-16 | 株式会社Ubic | データ分析システム、データ分析方法、プログラム、および、記録媒体 |
JP6792159B2 (ja) * | 2017-01-25 | 2020-11-25 | 富士通株式会社 | 並列処理パラメータ決定プログラム、並列処理パラメータ決定方法、および並列処理管理装置 |
JP6720402B2 (ja) * | 2017-03-21 | 2020-07-08 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
JP6973625B2 (ja) * | 2018-03-29 | 2021-12-01 | 日本電気株式会社 | 学習装置、学習方法および学習プログラム |
JP7070334B2 (ja) * | 2018-10-30 | 2022-05-18 | オムロン株式会社 | 画像分類装置、画像検査装置、及び画像分類方法 |
CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
TWI740647B (zh) * | 2020-09-15 | 2021-09-21 | 宏碁股份有限公司 | 疾病分類方法及疾病分類裝置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06124349A (ja) * | 1992-10-12 | 1994-05-06 | Fujitsu Ltd | パターン学習方法及びパターン学習装置 |
JP2005352997A (ja) * | 2004-06-14 | 2005-12-22 | Central Res Inst Of Electric Power Ind | 事例データベースの構築方法、判別装置の学習方法、データ判別支援装置、データ判別支援プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5926804A (en) * | 1994-07-01 | 1999-07-20 | The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Discriminant neural networks |
US6789069B1 (en) * | 1998-05-01 | 2004-09-07 | Biowulf Technologies Llc | Method for enhancing knowledge discovered from biological data using a learning machine |
US6882990B1 (en) * | 1999-05-01 | 2005-04-19 | Biowulf Technologies, Llc | Methods of identifying biological patterns using multiple data sets |
US6760715B1 (en) * | 1998-05-01 | 2004-07-06 | Barnhill Technologies Llc | Enhancing biological knowledge discovery using multiples support vector machines |
-
2007
- 2007-03-27 WO PCT/JP2007/056412 patent/WO2008059624A1/ja active Application Filing
- 2007-03-27 JP JP2008544075A patent/JP4985653B2/ja active Active
- 2007-03-27 KR KR1020097008367A patent/KR101232945B1/ko active IP Right Grant
-
2009
- 2009-05-04 US US12/453,247 patent/US7725413B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06124349A (ja) * | 1992-10-12 | 1994-05-06 | Fujitsu Ltd | パターン学習方法及びパターン学習装置 |
JP2005352997A (ja) * | 2004-06-14 | 2005-12-22 | Central Res Inst Of Electric Power Ind | 事例データベースの構築方法、判別装置の学習方法、データ判別支援装置、データ判別支援プログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5104877B2 (ja) * | 2007-12-18 | 2012-12-19 | 富士通株式会社 | 二クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび二クラス分類予測モデルの作成装置 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2008059624A1 (ja) | 2010-02-25 |
WO2008059624A1 (fr) | 2008-05-22 |
KR20090060359A (ko) | 2009-06-11 |
US20090222390A1 (en) | 2009-09-03 |
US7725413B2 (en) | 2010-05-25 |
KR101232945B1 (ko) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4985653B2 (ja) | 2クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび2クラス分類予測モデルの作成装置 | |
JP5104877B2 (ja) | 二クラス分類予測モデルの作成方法、分類予測モデル作成のためのプログラムおよび二クラス分類予測モデルの作成装置 | |
JP5141767B2 (ja) | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 | |
JP6498107B2 (ja) | 分類装置、方法、及びプログラム | |
US7769759B1 (en) | Data classification based on point-of-view dependency | |
CN101147160B (zh) | 自适应分类器以及建立其分类参数的方法 | |
CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN111428733A (zh) | 基于语义特征空间转换的零样本目标检测方法及系统 | |
JP2010039778A (ja) | 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置 | |
WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
Agrawal et al. | Evaluating machine learning classifiers to detect android malware | |
Kaur et al. | Analyzing various machine learning algorithms with smote and adasyn for image classification having imbalanced data | |
CN111967483A (zh) | 确定分类器、确定生成器、识别命令的方法及设备 | |
KR20210158740A (ko) | 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법 | |
CN106485286B (zh) | 一种基于局部敏感判别的矩阵分类模型 | |
JP2016062249A (ja) | 識別辞書学習システム、認識辞書学習方法および認識辞書学習プログラム | |
CN110942089B (zh) | 一种基于多级决策的击键识别方法 | |
Ragab et al. | Intelligent data mining For automatic face recognition | |
Chien et al. | Learning Outlier-Aware Representation with Synthetic Boundary Samples | |
JP2009043280A (ja) | パターン認識装置 | |
JP2009037640A (ja) | パターン認識装置および特徴抽出パラメータの生成方法 | |
JP3925011B2 (ja) | パターン認識装置及び認識方法 | |
Pok et al. | Abnormalities and fraud electric meter detection using hybrid support vector machine and modified genetic algorithm | |
Song et al. | A greedy correlation-incorporated SVM-based algorithm for gene selection | |
Parsi et al. | Improving Trip Mode Choice Modeling Using Ensemble Synthesizer (ENSY) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120309 |
|
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: 20120403 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4985653 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150511 Year of fee payment: 3 |