JP6392599B2 - 学習分類子システム、学習分類子生成方法及びプログラム - Google Patents
学習分類子システム、学習分類子生成方法及びプログラム Download PDFInfo
- Publication number
- JP6392599B2 JP6392599B2 JP2014186625A JP2014186625A JP6392599B2 JP 6392599 B2 JP6392599 B2 JP 6392599B2 JP 2014186625 A JP2014186625 A JP 2014186625A JP 2014186625 A JP2014186625 A JP 2014186625A JP 6392599 B2 JP6392599 B2 JP 6392599B2
- Authority
- JP
- Japan
- Prior art keywords
- classifier
- data
- condition
- action
- unit
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
また、分類子が持つ条件部の長さについても、その条件の長さが必要以上に長い場合、入力データと分類子との比較を行う際の演算処理の負担が大きくなるという問題がある。
評価対象となる系列データを取得するデータ取得部と、
前記系列データと照合させる条件部と、該条件部で照合された行動を示す行動部と、該行動部で示された行動を行うことのフィットネス値を持つ分類子を記憶した分類子記憶部と、
前記データ取得部が取得した前記系列データに基づいて、前記分類子記憶部が記憶した分類子を選択し、該選択した分類子の集合である照合集合を得る照合集合取得部と、
前記照合集合取得部が取得した照合集合内の分類子を、該分類子の行動部の値に基づいて選択して、行動集合を得る行動集合取得部と、
前記行動集合内の分類子のフィットネス値を学習で更新する学習部と、
前記行動集合取得部が得た行動集合に含まれる複数の分類子が1つの分類子に包摂できる場合に、包摂を行って行動集合に含まれる分類子を減らす包摂部と、
前記包摂部が出力する行動集合から一定の条件に基づいて分類子の選択又は変形を行う遺伝的アルゴリズム処理部と、
前記遺伝的アルゴリズム処理部が出力するそれぞれの分類子が持つ条件部を縮小する縮小部と、
前記データ取得部が取得した系列データに照合する照合集合が存在しない場合に、前記データ取得部が取得した系列データの少なくとも一部をコピーすることで得た条件部を持つ分類子を作成する被覆部と、を備え、
前記縮小部が縮小した分類子又は前記被覆部が作成した分類子により、前記分類子記憶部が記憶した分類子の更新を行い、前記分類子記憶部が記憶した分類子の最適化を行うようにした。
そして、評価対象となる系列データを取得するデータ取得処理と、
取得した前記系列データに基づいて、照合集合処理部により、前記分類子記憶部が記憶した分類子を選択し、該選択した分類子の集合である照合集合を得る照合集合取得処理と、
前記照合集合取得処理で取得した照合集合内の分類子を、行動集合取得部により、該分類子の行動部の値に基づいて選択し、行動集合を得る行動集合取得処理と、
学習部により、前記行動集合内の分類子のフィットネス値を学習で更新する学習処理と、
前記行動集合に含まれる複数の分類子が1つの分類子に包摂できる場合に、包摂部により包摂を行って行動集合に含まれる分類子を減らす包摂処理と、
前記包摂処理が行われた行動集合から一定の条件に基づいて、遺伝的アルゴリズム処理部により、分類子の選択又は変形を行う遺伝的アルゴリズム処理と、
前記遺伝的アルゴリズム処理で得られた分類子が持つ条件部を、縮小部により縮小する縮小処理と、
前記データ取得処理で取得した系列データに照合する照合集合が存在しない場合に、被覆部において、前記系列データの少なくとも一部をコピーすることで得た条件部を持つ分類子を作成する被覆処理と、
前記縮小処理を行った分類子又は前記被覆処理で作成した分類子により、前記分類子記憶部が記憶した分類子の更新を行う更新処理と、を含む。
[1.システム全体の構成例]
図1は、本例の学習分類子システムの全体の構成例を示す。図1は、学習分類子システムが実行する処理機能から見た構成である。この図1に示す学習分類子システムは、例えばコンピュータに、学習分類子システムとして作動させるためのプログラム(ソフトウェア)を実装することで構成される。
包摂部7では、行動集合[A]に含まれる複数の分類子が、1つの分類子に包摂できる場合に、その包摂を行って行動集合に含まれる分類子を減らす処理を行う。すなわち、行動集合[A]に含まれる複数の分類子の中で、特定の分類子よりも一般化された表現の別の分類子が存在する場合に、包摂部7では、その特定の分類子を行動集合[A]から削除することで、分類子を減らす処理が行われる。
遺伝的アルゴリズム処理部8では、一定の条件に基づいて分類子の選択又は変形の処理が行われる。この一定の条件に基づいて分類子の選択又は変形の処理を行う際には、少なくとも一部に、遺伝的アルゴリズム(GA)と称される処理が適用される。遺伝的アルゴリズム処理部8で分類子に対して行われる処理の具体例については後述する。
図2は、本例の学習分類子システムの全体の処理の流れを示すフローチャートである。
まず、照合集合取得部4が、データ取得部2で取得した系列データを参照する(ステップS11)。そして、照合集合取得部4は、ステップS11で参照した系列データのうち、分類子記憶部3が記憶したルール集合[P]内の分類子の条件部と照合したものを選択し、その照合した分類子よりなる照合集合[M]を取得する(ステップS12)。
次に、行動集合[A]に含まれる複数の分類子が、1つの分類子に包摂できる場合に、包摂部7がその包摂を行う(ステップS15)。この包摂部7での包摂が行われることで、行動集合[A]に含まれる分類子の数を減少することができる。
そして、遺伝的アルゴリズム処理部8が出力する分類子が縮小部9に供給され、分類子の条件部が縮小可能である場合に、縮小部9において縮小処理が行われる(ステップS17)。
図3は、入力データから分類子が生成される例を示す。
ここでは、ある人物が各時刻で滞在した場所を入力データとし、その場所での行動をクラスとする。例えば、午前7時に「kitchen」に滞在し、そこでの行動が「breakfast」であるとする。また、午前8時に「bathroom」に滞在し、そこでの行動が「shower」であり、午前9時に「office」に滞在し、そこでの行動が「working」であるとする。
分類子cl31={kitchen,office,bathroom:lunch}
分類子cl32={kitchen,office:lunch}
分類子cl33={kitchen:lunch}
分類子cl32は、現在t0の場所「kitchen」より1つ前のタイミングt―1の場所が「office」であるとき、現在t0の行動が「lunch」と定義する分類子である。分類子cl32は、「kitchen,office」が条件部であり、「:」の右側の「lunch」が行動部である。
分類子cl33は、現在t0の場所が「kitchen」であるとき、現在t0の行動が「lunch」と定義する分類子である。分類子cl33は、「kitchen」が条件部であり、「:」の右側の「lunch」が行動部である。
これらの例から分かるように、条件部の各データの内で、左端のデータは、現在t0のデータであり、それより前のタイミングのデータが、右側に順に並ぶ。なお、それぞれの分類子は、行動部で示された行動を行うことの適合度に基づいたフィットネス値を持つ。各分類子が持つフィットネス値についての説明は省略する。
また、条件部が持つ条件として、特定タイミングでのデータ(上述した例での場所)が不特定であることを示す場合もある。
図4に示すように、系列データCは、C=C0,C−1,C−2,・・・・、C−nであり、(n+1)個のデータで構成されているものとする。なお、C0は現タイミングのデータである。
このとき、例えば分類子cl11として、現タイミングとそれより2つ前までの3つのデータC0,C−1,C−2を条件部とし、この条件部のデータから予測される行動「grooming」を行動部(クラス)として示すことができる。つまり、分類子cl11は、もし(if)、系列データCのC0が「lounge」、C−1が「bathroom」、C−2が「lounge」である場合、行動部(クラス)は、「grooming」であるというルールを示している。
このように、本例の場合、分類子ごとに条件部を可変長に設定することができる。
図5は、分類子記憶部3が記憶するルール集合[P]と、照合集合取得部4が取得する照合集合[M]と、行動集合取得部5が取得する行動集合[A]の例を示す図である。
図5の例の場合、データ取得部2で取得した系列データは、3ビットのデータである。例えば、タイミングt0のときデータ[1,0,0]であり、タイミングt−1のときデータ[0,1,1]であり、タイミングt−2のときデータ[0,0,0]であり、以下同様にM個前(Mは整数)までのデータが存在する。
図5の例では、照合集合[M]として、4つの分類子{110,11#:1}、{1#0,##1:0}、{##0,0#1,0##:0}、{###,011:0}が選択された例を示す。
図6は、包摂部7における包摂処理の例を示す。図6Aは、分類子claと分類子clbとで包摂ができる場合の例である。図6Bは、分類子clcと分類子cldとで包摂ができない場合の例である。なお、この図6の例は、系列データの各データが4ビットで構成される例として示している。
分類子claと分類子clbは、以下の通りである。mの値は、過去のデータを参照するデータ長を示す。
分類子cla={##10:1,m=0}
分類子clb={1#10,1##0:1,m=1}
この分類子claと分類子clbが存在するとき、分類子clbは、分類子claの下位概念の分類子であると見なすことができる。すなわち、2つの分類子claと分類子clbは行動値が「1」で同じである。また、分類子claは、分類子clbとデータ長mの数を同じにした場合、分類子cla={##10,####:1,m=1}と見なすことができる。この分類子cla={##10,####:1}と分類子clb={1#10,1##0:1}を比較すると、分類子clbは、分類子claで不特定「#」で示される箇所が、特定の値(1又は0)である場合に相当する。したがって、分類子clbは、分類子claの下位概念のルールに相当する。
このため、分類子clbは包摂部7での包摂の処理により削除される。
分類子clc={1#10:1,m=0}
分類子cld={###0,#110,111#:1,m=2}
この分類子clcと分類子cldが存在するとき、分類子clcと分類子cldは、上位概念と下位概念の関係ではない。すなわち、2つの分類子clcと分類子cldは、データ長mの数を同じにした場合、分類子clcは、{1#10,####,####:1,m=2}となる。このようにデータ長Mを同じにして、分類子clc={1#10,####,####:1}と分類子cld={###0,#110,111#:1}とを比較する。ここで、分類子clcのデータC0[1#10]と分類子cldのデータC0[###0]を比べると、分類子cldの方が上位概念と言える。一方、分類子clcのデータC−1[####]と、分類子cldのデータC−1[#110]とを比較すると、分類子clcの方が上位概念となっている。したがって、データを参照する位置ごとに上位概念と下位概念の関係が異なるため、一方が他方の上位概念とは言うことはできない。つまり、両者は、包摂関係にはない。このため、分類子clcと分類子cldとの比較では、いずれの分類子も削除されることはない。
図7は、遺伝的アルゴリズム処理部8での処理の例(例1)を示すフローチャートである。
まず、遺伝的アルゴリズム処理部8は、行動集合[A]から行動サブセット[A(t−m)]を作成する(ステップS21)。この行動サブセット[A(t−m)]は、条件部のデータ長mの値ごとに、分類子を分類したものである。
{01,0#,11:01,F=0.5}(m=2)
{0#,01:01,F=0.8}(m=1)
{0#:01,F=0.1}(m=0)
{01,##:01,F=1.0}(m=1)
ここでは、フィットネス値Fの平均値として、m=0の行動サブセット[A(t−0)]はF=0.1、m=1の行動サブセット[A(t−1)]はF=0.9、m=2の行動サブセット[A(t−2)]はF=0.5となる。
例えば、ルーレット選択された行動サブセット内には、以下の2つの分類子が存在するとする。
{0#,01:01,F=0.8}
{01,##:01,F=1.0}
このとき、その2つの分類子の条件部の特定の同じ位置のデータを入れ替える処理を行う。例えば、一方の分類子のデータC0「0#」の後半の「#」と、他方の分類子のデータC0「0#」の後半の「1」とを入れ替える。また、一方の分類子のデータC―1「01」の後半の「1」と、他方の分類子のデータC−1「##」の後半の「#」とを入れ替える。
図10は、このメモリサイズのランダムな変更例を示す。
例えば、分類子{0#,01:01,F=0.8}が存在するとき、その分類子の条件部「0#,01」として、その後に3つのデータを加えて、「0#,01,11,10,10」とし、分類子をm=1からm=4に変更する。加えるデータはランダムな値とする。
なお、増加による変更を行う際には、メモリサイズの最大値(すなわちmの最大値)は、予め決めた値とする。
図11は、遺伝的アルゴリズム処理部8での処理の例(例2)を示すフローチャートである。この例は、進化計算を行う例である。
まず、遺伝的アルゴリズム処理部8は、行動集合[A]内の分類子の条件部を、時間軸上の位置毎に分類する(ステップS31)。次に、遺伝的アルゴリズム処理部8は、時間軸上の位置毎に、その分類子が持つフィットネス値の累積値を算出する(ステップS32)。そして、そのフィットネス値の累積値を正規化した値とする(ステップS33)。
図12の例は、住宅内の各部屋にセンサを設置し、センサの位置とセンサタイプと部屋を記録し、それぞれの部屋での行動(クラス)についても記録したものである。ここでは、それぞれの行動の時間(タイムスタンプ)についても記録している。
例えば、2011年11月28日、2時27分59秒から10時18分11秒まで、[Bedroom]の[Bed]センサが人物の存在を検出し、行動が[Sleeping]であるとする。同様に、図12に示すように各時刻でセンサが検出され、それぞれの行動が記録される。
分類子cla={(#,#,#),(#,#,#),(Shower,#,#):Breakfast}
分類子clb={(Cooktop,#,#),(#,#,#),(Seat,#,#):Lunch}
分類子clc={(Fridge,#,#),(#,#,Living),(#,#,Entrance):Snack}
分類子cld={(Basin,PIR,Bathroom),(Maindoor,#,Entrance):Grooming}
まず、遺伝的アルゴリズム処理部8に行動集合[A]が供給されるとき、遺伝的アルゴリズム処理部8は、その行動集合[A]内の各分類子の条件部の各要素が、時間的にどのタイミングの条件であるかに基づいて分類する。例えば、行動集合[A]は、図13に示す以下の分類子cl1,cl2,cl3で構成されるとする。
分類子cl0{(1#0,to),(00#,t−2):1,F=0.8}
分類子cl1{(#00,t−2),(##0,t−3):1,F=0.2}
分類子cl2{(000,t−2):1,F=0.1}
FS(n)={0.8,0.0,1.1,0.2,・・・,0.0}
遺伝的アルゴリズム処理部8は、このFS(n)内の各値を正規化して、以下のPaccept(n)を得る。ここでは、FS(n)内の最大値1.1を1.00に正規化する。
Paccept(n)={0.73,0.00,1.00,0.18,・・・,0.00}
そして、遺伝的アルゴリズム処理部8は、それぞれのサブセット[A(C0)],[A(C−2)]から、フィットネス値Fを使ったルーレット選択で候補となるデータを選び、新たな分類子を生成させる。
これらの新たに生成された分類子のフィットネス値Fは、作成された分類子内の各条件のデータの選択元の分類子が持つフィットネス値の平均値とする。
このようにして、遺伝的アルゴリズム処理部8は、元の行動集合[A]内の分類子の各構成要素を使って変形した分類子を作成し、その作成された分類子を出力する。
図14は、縮小部9の処理を示す。
縮小部9は、遺伝的アルゴリズム処理部8が出力する分類子の条件部が縮小可能である場合に、縮小する処理を行う。具体的には、分類子の条件部内の末尾のタイミングのデータが、全ての桁で不特定の値「#」であるとき、縮小部9は、そのタイミングのデータを削除する。
このようにして、分類子{0#,##,##:01}は、縮小部9での縮小処理で、分類子{0#:01}となる。
図15は、被覆部10での被覆の処理を示すフローチャートである。
被覆部10での処理について説明すると、被覆部10は、照合集合[M]取得部4で現在の入力データに照合する分類子がルール集合[P]から選び出されたか否かを判断する(ステップS41)。ここで、現在の入力データに照合する分類子が選び出された場合には、被覆部10は分類子の生成処理を行わず、図15のフローチャートの処理を終了する。
このようにして、入力した系列データに照合する分類子が存在しない場合には、被覆部10で新たな分類子が生成され、ルール集合[P]に追加される。
以上説明した本例の学習分類子システムによると、分類子記憶部3が記憶するルール集合[P]を最適化することができる。図16は、この分類子が最適化される状態を説明する図である。一般的に分類子は、条件部の長さが長い程、行動部で示すデータが正しいものとなるので、条件部の長さが長い程、フィットネス値で示される適合度が、最大値である1に近づく。フィットネス値が1に近い値となるためには、分類子内の条件部が適正に変形や修正される必要があり、そのための処理が遺伝的アルゴリズム処理部8で行われる。この遺伝的アルゴリズム処理部8での処理で、図16に矢印Saで示すように、フィットネス値が0から1に近づく。
したがって、本例の学習分類子システムによると、分類子記憶部3が記憶するルール集合[P]は、最小の数の分類子で構成されるようになると共に、その分類子内の条件部の条件の長さ(メモリサイズ)についても最小化され、最適化された分類子の集合よりなるルール集合[P]が得られる。このように最適化された分類子が得られることで、系列データを分類子で分類する際には、最小の演算処理で系列データの分類が可能になり、効率のよいデータ分類が可能になる。
なお、上述した実施の形態例で説明した分類子の構成の例は、それぞれ好適な一例を示したものであり、別の構成の分類子としてもよい。また、照合集合[M]の分類子を使用して、ルール集合[P]内の分類子を更新するための分類子とする処理の順序についても、一例を示したものであり、実質的に同様の処理が行われる場合には、一部の処理順序を変更してもよい。
また、上述した実施の形態例の学習分類子システムでは、コンピュータにプログラムを実装することで、図1に示す機能ブロックが構成されるようにしたが、それぞれの機能部での処理を行うハードウェアを用意して、ハードウェアで学習分類子システムを構成してもよい。
Claims (9)
- 評価対象となる系列データを取得するデータ取得部と、
前記系列データと照合させる条件部と、該条件部で照合された行動を示す行動部と、該行動部で示された行動を行うことのフィットネス値を持つ分類子を記憶した分類子記憶部と、
前記データ取得部が取得した前記系列データに基づいて、前記分類子記憶部が記憶した分類子を選択し、該選択した分類子の集合である照合集合を得る照合集合取得部と、
前記照合集合取得部が取得した照合集合内の分類子を、該分類子の行動部の値に基づいて選択して、行動集合を得る行動集合取得部と、
前記行動集合内の分類子のフィットネス値を学習で更新する学習部と、
前記行動集合取得部が得た行動集合に含まれる複数の分類子が1つの分類子に包摂できる場合に、包摂を行って行動集合に含まれる分類子を減らす包摂部と、
前記包摂部が出力する行動集合から一定の条件に基づいて分類子の選択又は変形を行う遺伝的アルゴリズム処理部と、
前記遺伝的アルゴリズム処理部が出力するそれぞれの分類子が持つ条件部を縮小する縮小部と、
前記データ取得部が取得した系列データに照合する照合集合が存在しない場合に、前記データ取得部が取得した系列データの少なくとも一部をコピーすることで得た条件部を持つ分類子を作成する被覆部と、を備え、
前記縮小部が縮小した分類子又は前記被覆部が作成した分類子により、前記分類子記憶部が記憶した分類子の更新を行い、前記分類子記憶部が記憶した分類子の最適化を行うようにした
学習分類子システム。 - 前記分類子記憶部が記憶する分類子は、1個以上M個以下の数(Mは2以上の整数)の条件で構成される条件部を持ち、
前記照合集合取得部は、分類子が持つ条件部に記載された全ての条件が、前記データ取得部が取得した系列データと一致するとき、該当する分類子を、系列データに照合した分類子として選択するようにした
請求項1に記載の学習分類子システム。 - 前記分類子が持つ条件部で指示される条件には、系列データの特定箇所が不特定のデータであることを示す条件を含むようにした
請求項1又は2に記載の学習分類子システム。 - 前記包摂部は、行動集合に含まれる複数の分類子の中で、特定の分類子よりも一般化された表現の別の分類子が存在する場合に、前記特定の分類子を行動集合から削除する処理を行う
請求項1〜3のいずれか1項に記載の学習分類子システム。 - 前記遺伝的アルゴリズム処理部は、行動集合内の分類子を、条件部のデータ長に基づいて複数のサブセットの分類子に分け、それぞれのサブセットの分類子の信頼度に基づいてルーレット選択することで分類子を選択し、
選択された複数の分類子の条件部の同じ位置のデータを入れ替える交叉、又は、選択された分類子の条件部が持つデータを変化させる突然変異を行う
請求項1〜4のいずれか1項に記載の学習分類子システム。 - 前記遺伝的アルゴリズム処理部は、行動集合内の分類子の条件部が持つ条件を、同じ位置の条件ごとにフィットネス値を加算し、行動集合内の分類子から、フィットネス値の加算値が高い位置の条件を持つ分類子を選択することで行動集合のサブセットを得、該サブセット内の各分類子が持つ条件をルーレット選択して選ばれた条件を持つ分類子を生成する
請求項1〜4のいずれか1項に記載の学習分類子システム。 - 前記縮小部は、分類子の条件部の内の最も古い時間のデータを参照する条件が、不特定のデータであることを示す条件であるとき、該当する不特定のデータであることを示す条件を削除して、条件部を縮小する処理を行うと共に、その条件部を縮小する処理を、最も古い時間のデータを参照する条件が、不特定のデータであることを示す条件でなくなるまで繰り返し実行する
請求項1〜6のいずれか1項に記載の学習分類子システム。 - 系列データと照合させる条件部と、該条件部で照合された行動を示す行動部と、該行動部で示された行動を行うことのフィットネス値を持つ分類子を分類子記憶部に記憶させ、記憶した分類子の最適化を行う学習分類子生成方法であり、
評価対象となる系列データを取得するデータ取得処理と、
取得した前記系列データに基づいて、照合集合処理部により、前記分類子記憶部が記憶した分類子を選択し、該選択した分類子の集合である照合集合を得る照合集合取得処理と、
前記照合集合取得処理で取得した照合集合内の分類子を、行動集合取得部により、該分類子の行動部の値に基づいて選択し、行動集合を得る行動集合取得処理と、
学習部により、前記行動集合内の分類子のフィットネス値を学習で更新する学習処理と、
前記行動集合に含まれる複数の分類子が1つの分類子に包摂できる場合に、包摂部により包摂を行って行動集合に含まれる分類子を減らす包摂処理と、
前記包摂処理が行われた行動集合から一定の条件に基づいて、遺伝的アルゴリズム処理部により、分類子の選択又は変形を行う遺伝的アルゴリズム処理と、
前記遺伝的アルゴリズム処理で得られた分類子が持つ条件部を、縮小部により縮小する縮小処理と、
前記データ取得処理で取得した系列データに照合する照合集合が存在しない場合に、被覆部において、前記系列データの少なくとも一部をコピーすることで得た条件部を持つ分類子を作成する被覆処理と、
前記縮小処理を行った分類子又は前記被覆処理で作成した分類子により、前記分類子記憶部が記憶した分類子の更新を行う更新処理と、を含む
学習分類子生成方法。 - 系列データと照合させる条件部と、該条件部で照合された行動を示す行動部と、該行動部で示された行動を行うことのフィットネス値を持つ分類子を分類子記憶部に記憶させ、該記憶した分類子の最適化をコンピュータに実行させるプログラムであって、
評価対象となる系列データを取得するデータ取得手順と、
取得した前記系列データに基づいて、前記分類子記憶部が記憶した分類子を選択して、該選択した分類子の集合である照合集合を得る照合集合取得手順と、
前記照合集合取得手順で取得した照合集合内の分類子を、その分類子の行動部の値に基づいて選択して、行動集合を得る行動集合取得手順と、
前記行動集合内の分類子のフィットネス値を学習で更新する学習手順と、
前記行動集合取得手順で得た行動集合に含まれる複数の分類子が1つの分類子に包摂できる場合に、その包摂を行って行動集合に含まれる分類子を減らす包摂手順と、
前記包摂手順が行われた行動集合から一定の条件に基づいて分類子の選択又は変形を行う遺伝的アルゴリズム手順と、
前記遺伝的アルゴリズム手順で得られた分類子が持つ条件部を縮小する縮小手順と、
前記データ取得手順で取得した系列データに照合する照合集合が存在しない場合に、前記データ取得手順で取得した系列データの少なくとも一部をコピーすることで得た条件部を持つ分類子を作成する被覆手順と、
前記縮小手順で縮小した分類子又は前記被覆手順で作成した分類子により、前記分類子記憶部が記憶した分類子の更新を行う更新手順とを、
コンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014186625A JP6392599B2 (ja) | 2014-09-12 | 2014-09-12 | 学習分類子システム、学習分類子生成方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014186625A JP6392599B2 (ja) | 2014-09-12 | 2014-09-12 | 学習分類子システム、学習分類子生成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016058050A JP2016058050A (ja) | 2016-04-21 |
JP6392599B2 true JP6392599B2 (ja) | 2018-09-19 |
Family
ID=55758503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014186625A Active JP6392599B2 (ja) | 2014-09-12 | 2014-09-12 | 学習分類子システム、学習分類子生成方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6392599B2 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4067784B2 (ja) * | 2001-05-28 | 2008-03-26 | 富士通株式会社 | ルールベースを配信するためのプログラム |
JP6207908B2 (ja) * | 2012-11-29 | 2017-10-04 | 三菱重工業株式会社 | 航空機管理装置、航空機、及び航空機管理方法 |
-
2014
- 2014-09-12 JP JP2014186625A patent/JP6392599B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016058050A (ja) | 2016-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | A review of supervised machine learning algorithms | |
Farid et al. | An adaptive ensemble classifier for mining concept drifting data streams | |
Farid et al. | Hybrid decision tree and naïve Bayes classifiers for multi-class classification tasks | |
Prossegger et al. | Multi-resident activity recognition using incremental decision trees | |
US12009060B2 (en) | Identifying biosynthetic gene clusters | |
JP3762840B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
Coppola et al. | Learning temporal context for activity recognition | |
Wen et al. | Adaptive activity learning with dynamically available context | |
de Faria et al. | Evaluation of multiclass novelty detection algorithms for data streams | |
Wu et al. | Analysis of generalization ability for different AdaBoost variants based on classification and regression trees | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
Suresh et al. | A sequential learning algorithm for meta-cognitive neuro-fuzzy inference system for classification problems | |
WO2020255414A1 (ja) | 学習支援装置、学習支援方法、及びコンピュータ読み取り可能な記録媒体 | |
US20210192361A1 (en) | Intelligent data object generation and assignment using artificial intelligence techniques | |
Bifet et al. | Ubiquitous artificial intelligence and dynamic data streams | |
JP6392599B2 (ja) | 学習分類子システム、学習分類子生成方法及びプログラム | |
CN112561073A (zh) | 使用基于批次的主动学习方案训练机器学习模型 | |
Sahni et al. | Aided selection of sampling methods for imbalanced data classification | |
JP6821885B1 (ja) | 人工知能基盤の保険金不当請求の探知装置及び方法 | |
Darji et al. | Increasing Prediction Accuracy for Human Activity Recognition Using Optimized Hyperparameters | |
Sechidis et al. | Markov blanket discovery in positive-unlabelled and semi-supervised data | |
JP6414321B2 (ja) | 人数予測システム、人数予測方法および人数予測プログラム | |
Hallaji et al. | Embedding time-series features into generative adversarial networks for intrusion detection in internet of things networks | |
Toprak et al. | Comparison of classification techniques on energy efficiency dataset | |
Thomas et al. | Ensemble of deep autoencoder classifiers for activity recognition based on sensor modalities in smart homes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170829 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180731 |
|
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: 20180814 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6392599 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |