JP6460095B2 - 学習モデル選択システム、学習モデル選択方法及びプログラム - Google Patents
学習モデル選択システム、学習モデル選択方法及びプログラム Download PDFInfo
- Publication number
- JP6460095B2 JP6460095B2 JP2016509979A JP2016509979A JP6460095B2 JP 6460095 B2 JP6460095 B2 JP 6460095B2 JP 2016509979 A JP2016509979 A JP 2016509979A JP 2016509979 A JP2016509979 A JP 2016509979A JP 6460095 B2 JP6460095 B2 JP 6460095B2
- Authority
- JP
- Japan
- Prior art keywords
- learning model
- target
- model
- value
- node
- 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
Classifications
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
理解を容易にするため、以下に示す用語を定義する。
2)有用な知見を発見する用途(知識発見)
3)問題を解決するための最適な解を発見する用途(最適化)
4)通常と異なるサンプルデータを見つけ出す用途(異常検知)
本実施形態においては、理解を容易にするため、学習モデルを予測のために用いる例を挙げて説明している。しかし、本発明において、学習モデルの用途は予測のみには限定されない。学習モデルが予測のために用いられる場合、学習モデルは、説明変数の値を入力とし、目的変数の値を予測する関数である。以下、学習モデルが予測した目的変数の値を「予測値」と表現する。
・品種Bについての学習モデル(ノード2についての学習モデルに相当)
・品種Cについての学習モデル(ノード3についての学習モデルに相当)
・品種A、品種Bおよび品種Cを包含する学習モデル(ノード8についての学習モデルに相当)
・品種Dについての学習モデル(ノード4についての学習モデルに相当)
・品種Eについての学習モデル(ノード5についての学習モデルに相当)
・品種Dおよび品種Eを包含する学習モデル(ノード9についての学習モデルに相当)
・品種A、品種B、品種C、品種Dおよび品種Eを含む上位学習モデル(ノード11についての学習モデルに相当)
・品種Fについての学習モデル(ノード6についての学習モデルに相当)
・品種Gについての学習モデル(ノード7についての学習モデルに相当)
・品種Fおよび品種Gを包含する学習モデル(ノード10または12についての学習モデルに相当)
・品種Aから品種Gまでを包含する学習モデル(ノード13についての学習モデルに相当)
例えばモデル生成部110が品種Aについての学習モデルを生成する場合を考える。この場合、モデル生成部110は、品種Aについての既知データセットを記憶部200から取得する。そしてモデル生成部110は、取得した、品種Aについての既知データセットに基づいて、品種Aについての学習モデルを生成する。
図4は、第1の実施形態にかかるモデル選択システム100を実現可能なハードウェア構成の一例を説明する図である。
次に、第1の実施形態にかかるモデル選択システム100の動作の一例を説明する。図5は、モデル選択システム100の動作の一例を説明するフローチャートである。モデル更新部120は、記憶部200が記憶している既知データの集合に基づいて、各学習モデルを更新する(ステップS101)。モデル評価部130は、更新された学習モデルを評価する(ステップS102)。モデル選択部140は、所定の基準に基づいて、複数の学習モデルのうちから予測対象の予測に用いる学習モデルを選択する(ステップS103)。モデル選択部140は、選択した学習モデルを出力する(ステップS104)。
第1の実施形態にかかるモデル選択システム100によれば、予測対象について既知データが全く無い段階または非常に少ない段階から、予測対象について既知データが十分に蓄積された段階に遷移する過程において、当該予測対象の性質を精度よく予測することができる。その理由は、モデル選択部140が、予測対象学習モデルについての評価の結果が所定の基準を満たしたタイミングにおいて、上位学習モデルに代えて予測対象学習モデルを選択するからである。または、モデル選択部140が、予測対象学習モデルについての評価の結果が上位学習モデルについての評価の結果を上回ったタイミングにおいて、上位学習モデルに代えて予測対象学習モデルを選択するからである。
次に、モデル評価部130が学習モデルを評価する際の具体的な方法について説明する。以下に説明する評価の方法は、具体例に過ぎない。以下の説明は、本実施形態において評価を限定的に解釈するためのものではない。
次に、モデル生成部110が上位学習モデルを生成する際の工夫について説明する。モデル更新部120が上位学習モデルを更新する際についても、同様の工夫を行う。
意味階層モデルが、少なくとも3階層を有している場合を想定する。この場合、モデル選択部140は、予測対象学習モデルと、上位学習モデルと、更に上位の上位学習モデルと、のうちから、一つの学習モデルを選択してもよい。予測対象学習モデルは、例えば図1におけるノード1についての学習モデルに相当する。上位学習モデルは、例えば図1におけるノード8についての学習モデルに相当する。更に上位の上位学習モデルは、例えば図1におけるノード11についての学習モデルに相当する。
意味階層モデルは、図1に例示したような木構造には限定されない。以下、木構造以外の意味階層モデルの具体例を説明する。
本実施形態において、学習モデルの用途は予測のみには限定されない。学習モデルは、有用な知見を発見する用途(すなわち知識発見)、問題を解決するための最適な解を発見する用途(すなわち最適化)、または、通常と異なるサンプルデータを見つけ出す用途(すなわち異常検知)などに用いられてもよい。
次に、上述した第1の実施形態を基本とする第2の実施形態について説明する。図7は、第2の実施形態におけるモデル選択システム100Aの構成を示すブロック図である。モデル選択システム100Aは、第1の実施形態におけるモデル選択部140に代えてモデル選択部140Aを備える。図3に示した構成と実質的に同一の構成については、同様の符号を付与し、説明を省略する
理解を容易にするため、以下に示す用語を定義する。
図8は、第3の実施形態にかかるモデル選択システム100Bの構成を示すブロック図である。本実施形態は上述の第1及び第2の実施形態の最小構成を表す。図8に示すように、モデル選択システム100Bは、モデル評価部130Bと、モデル選択部140Bとを備える。
学習モデルを評価するモデル評価部と、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択するモデル選択部と、を備え、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、学習モデル選択システム。
前記モデル選択部は、前記評価の結果に基づいて前記対象学習モデルおよび前記上位学習モデルのうち一方の学習モデルを、特定の対象について予測を行う際に用いる学習モデルとして選択し、
前記学習モデルは、説明変数の値を入力とし、目的変数の値を予測する関数である、
付記1に記載の学習モデル選択システム。
前記対象データが蓄積される過程において、
前記対象データセットに基づいて前記対象学習モデルを更新し、前記上位データセットに基づいて前記上位学習モデルを更新する、モデル更新部を更に備える、
付記1または2に記載の学習モデル選択システム。
前記上位データセットは、前記対象データと、第1から第n(nは自然数)までの前記類似データと、を含む集合であり、
前記モデル更新部は、前記対象データの数量と、第1から第nまでのそれぞれの前記類似データの数量とがほぼ等しいような上位データセットに基づいて、前記上位学習モデルを更新する、
付記3に記載の学習モデル選択システム。
前記モデル選択部は、
前記対象データの数量が少ない段階においては前記上位学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が所定の基準を満たしたタイミングにて、前記上位学習モデルに代えて前記対象学習モデルを選択する、
付記1から4までのいずれかに記載の学習モデル選択システム。
前記モデル選択部は、
前記対象データの数量が少ない段階においては前記上位学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が前記上位学習モデルにおける評価を上回ったタイミングにて、前記上位学習モデルに代えて前記対象学習モデルを選択する、
付記1から4までのいずれかに記載の学習モデル選択システム。
少なくとも3階層を有する意味階層モデルにおいて、
前記意味階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記上位データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の上位データセットに相当し、
前記モデル生成部は、前記意味階層モデルの入力を受け付け、前記意味階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記上位学習モデルと、前記第3ノードに相当する第2の上位学習モデルと、を生成し、
前記モデル更新部は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、を更新し、
前記モデル選択部は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、のうち、評価の高いモデルを選択する、
付記3から6までのいずれかに記載の学習モデル選択システム。
前記モデル評価部は、N分割交差検定法を用いて算出される、誤差を示す値の平均を示す値および分散を示す値に基づいて、学習モデルを評価する、付記1から7までのいずれかに記載の学習モデル選択システム。
前記モデル評価部は、前記意味階層モデルにおいて、前記第1ノードから何階層離れたノードに相当する学習モデルであるかを一つの評価指標として、当該学習モデルを評価する、付記1から7までのいずれかに記載の学習モデル選択システム。
学習モデルを評価し、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択し、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、
学習モデル選択方法。
コンピュータに、
学習モデルを評価する第1の処理と、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択する第2の処理と、を実行させ、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、
プログラム、又は、そのプログラムを記憶する記録媒体。
学習モデルを評価するモデル評価部と、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択するモデル選択部と、を備え、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、
学習モデル選択システム。
前記モデル選択部は、前記評価の結果に基づいて前記対象学習モデルおよび前記類似学習モデルのうち一方の学習モデルを、特定の対象について予測を行う際に用いる学習モデルとして選択し、
前記学習モデルは、説明変数の値を入力とし、目的変数の値を予測する関数である、
付記12に記載の学習モデル選択システム。
前記対象データが蓄積される過程において、
前記対象データセットに基づいて前記対象学習モデルを更新し、前記類似データセットに基づいて前記類似学習モデルを更新する、モデル更新部を更に備える、
付記12または13に記載の学習モデル選択システム。
前記モデル選択部は、
前記対象データの数量が少ない段階においては前記類似学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が所定の基準を満たしたタイミングにて、前記類似学習モデルに代えて前記対象学習モデルを選択する、
付記12から14までのいずれかに記載の学習モデル選択システム。
前記モデル選択部は、
前記対象データの数量が少ない段階においては前記類似学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が前記類似学習モデルにおける評価を上回ったタイミングにて、前記類似学習モデルに代えて前記対象学習モデルを選択する、
付記12から14までのいずれかに記載の学習モデル選択システム。
前記モデル評価部は、N分割交差検定法を用いて算出される、誤差を示す値の平均を示す値および分散を示す値に基づいて、学習モデルを評価する、付記12から16までのいずれかに記載の学習モデル選択システム。
学習モデルを評価し、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択し、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、
学習モデル選択方法。
コンピュータに、
学習モデルを評価する第1の処理と、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択する第2の処理と、を実行させ、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報である、
プログラム、又は、そのプログラムを記憶する記録媒体。
2 メモリ
3 記憶装置
4 通信インターフェース
5 入力装置
6 出力装置
7 ドライブ装置
8 記憶媒体
100 モデル選択システム
100A モデル選択システム
100B モデル選択システム
110 モデル生成部
120 モデル更新部
130 モデル評価部
130B モデル評価部
140 モデル選択部
140A モデル選択部
140B モデル選択部
200 記憶部
300 予測システム
Claims (12)
- 学習モデルを評価するモデル評価手段と、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択するモデル選択手段と、を備え、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記上位データセットに基づいて前記上位学習モデルを更新する、モデル更新手段と、
モデル生成手段と、を更に備え、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記上位データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の上位データセットに相当し、
前記モデル生成手段は、前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記上位学習モデルと、前記第3ノードに相当する第2の上位学習モデルと、を生成し、
前記モデル更新手段は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、を更新し、
前記モデル選択手段は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、のうち、評価の高いモデルを選択する、
学習モデル選択システム。 - 前記モデル選択手段は、前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを、特定の対象について予測を行う際に用いる学習モデルとして選択し、
前記学習モデルは、説明変数の値を入力とし、目的変数の値を予測する関数である、
請求項1に記載の学習モデル選択システム。 - 前記上位データセットは、前記対象データと、第1から第n(nは自然数)までの前記類似データと、を含む集合であり、
前記モデル更新手段は、前記対象データの数量と、第1から第nまでのそれぞれの前記類似データの数量とが均等な上位データセットに基づいて、前記上位学習モデルを更新する、
請求項1又は2に記載の学習モデル選択システム。 - 前記モデル選択手段は、
前記対象データの数量が少ない段階においては前記上位学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が所定の基準を満たしたタイミングにて、前記上位学習モデルに代えて前記対象学習モデルを選択する、
請求項1から3までのいずれか1項に記載の学習モデル選択システム。 - 前記モデル選択手段は、
前記対象データの数量が少ない段階においては前記上位学習モデルを選択し、前記対象データが蓄積される過程において、前記対象学習モデルにおける評価が前記上位学習モデルにおける評価を上回ったタイミングにて、前記上位学習モデルに代えて前記対象学習モデルを選択する、
請求項1から3までのいずれか1項に記載の学習モデル選択システム。 - 前記モデル評価手段は、N分割交差検定法を用いて算出される、誤差を示す値の平均を示す値および分散を示す値に基づいて、学習モデルを評価する、請求項1から5までのいずれか1項に記載の学習モデル選択システム。
- 前記モデル評価手段は、前記階層モデルにおいて、前記第1ノードから何階層離れたノードに相当する学習モデルであるかを一つの評価指標として、当該学習モデルを評価する、請求項1から5までのいずれか1項に記載の学習モデル選択システム。
- コンピュータが、
学習モデルを評価し、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択し、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記上位データセットに基づいて前記上位学習モデルを更新し、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記上位データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の上位データセットに相当し、
前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記上位学習モデルと、前記第3ノードに相当する第2の上位学習モデルと、を生成し、
前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、を更新し、
前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、のうち、評価の高いモデルを選択する、
学習モデル選択方法。 - コンピュータに、
学習モデルを評価する第1の処理と、
前記評価の結果に基づいて対象学習モデルおよび上位学習モデルのうち一方の学習モデルを選択する第2の処理と、を実行させ、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記上位学習モデルは、複数の前記対象データおよび複数の類似データの集合である上位データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記上位データセットに基づいて前記上位学習モデルを更新する第3の処理と、
第4の処理と、を前記コンピュータの更に実行させ、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記上位データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の上位データセットに相当し、
前記第4の処理は、前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記上位学習モデルと、前記第3ノードに相当する第2の上位学習モデルと、を生成し、
前記第3の処理は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、を更新し、
前記第2の処理は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記上位学習モデルと、前記第2の上位学習モデルと、のうち、評価の高いモデルを選択する、
プログラム。 - 学習モデルを評価するモデル評価手段と、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択するモデル選択手段と、を備え、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記類似データセットに基づいて前記類似学習モデルを更新する、モデル更新手段と、
モデル生成手段と、を更に備え、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記類似データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の類似データセットに相当し、
前記モデル生成手段は、前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記類似学習モデルと、前記第3ノードに相当する第2の類似学習モデルと、を生成し、
前記モデル更新手段は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、を更新し、
前記モデル選択手段は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、のうち、評価の高いモデルを選択する、
学習モデル選択システム。 - コンピュータが、
学習モデルを評価し、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択し、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記類似データセットに基づいて前記類似学習モデルを更新し、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記類似データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の類似データセットに相当し、
前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記類似学習モデルと、前記第3ノードに相当する第2の類似学習モデルと、を生成し、
前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、を更新し、
前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、のうち、評価の高いモデルを選択する、
学習モデル選択方法。 - コンピュータに、
学習モデルを評価する第1の処理と、
前記評価の結果に基づいて対象学習モデルおよび類似学習モデルのうち一方の学習モデルを選択する第2の処理と、を実行させ、
前記学習モデルは、目的変数の値と、当該目的変数の値を説明する説明変数の値と、の間に見出された規則性を示す情報であり、
前記対象学習モデルは、複数の対象データの集合である対象データセットに基づいて生成された学習モデルであり、
前記類似学習モデルは、一つまたは複数の類似データの集合である類似データセットに基づいて生成された学習モデルであり、
前記対象データは、特定の対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記類似データは、前記特定の対象と類似する対象についての、目的変数の値と、当該目的変数の値を説明する説明変数の値とが関連付けられた情報であり、
前記対象データが蓄積される過程において、前記対象データセットに基づいて前記対象学習モデルを更新し、前記類似データセットに基づいて前記類似学習モデルを更新する第3の処理と、
第4の処理と、を前記コンピュータの更に実行させ、
少なくとも3階層を有する階層モデルにおいて、
前記階層モデルにおける或る階層に属する第1ノードは、前記特定の対象および前記対象データセットに相当し、
前記第1ノードを包含するノードである第2ノードは、前記類似データセットに相当し、
前記第2ノードを更に包含する第3ノードは、第2の類似データセットに相当し、
前記第4の処理は、前記階層モデルの入力を受け付け、前記階層モデルにおける、前記第1ノードに相当する前記対象学習モデルと、前記第2ノードに相当する前記類似学習モデルと、前記第3ノードに相当する第2の類似学習モデルと、を生成し、
前記第3の処理は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、を更新し、
前記第2の処理は、前記対象データが蓄積される過程において、前記対象学習モデルと、前記類似学習モデルと、前記第2の類似学習モデルと、のうち、評価の高いモデルを選択する、
プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461971597P | 2014-03-28 | 2014-03-28 | |
US61/971,597 | 2014-03-28 | ||
PCT/JP2015/001313 WO2015146026A1 (ja) | 2014-03-28 | 2015-03-11 | モデル選択システム、モデル選択方法およびプログラムを記憶する記録媒体 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018245067A Division JP2019075159A (ja) | 2014-03-28 | 2018-12-27 | 学習モデル選択システム、学習モデル選択方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2015146026A1 JPWO2015146026A1 (ja) | 2017-04-13 |
JP6460095B2 true JP6460095B2 (ja) | 2019-01-30 |
Family
ID=54194580
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016509979A Active JP6460095B2 (ja) | 2014-03-28 | 2015-03-11 | 学習モデル選択システム、学習モデル選択方法及びプログラム |
JP2018245067A Pending JP2019075159A (ja) | 2014-03-28 | 2018-12-27 | 学習モデル選択システム、学習モデル選択方法およびプログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018245067A Pending JP2019075159A (ja) | 2014-03-28 | 2018-12-27 | 学習モデル選択システム、学習モデル選択方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180181875A1 (ja) |
JP (2) | JP6460095B2 (ja) |
WO (1) | WO2015146026A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210050726A (ko) * | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11593817B2 (en) * | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
JP6804934B2 (ja) * | 2016-10-26 | 2020-12-23 | 株式会社東芝 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
US11049022B2 (en) * | 2017-07-28 | 2021-06-29 | Microsoft Technology Licensing, Llc | Realtime response to network-transferred content requests using statistical prediction models |
JP6875347B2 (ja) * | 2018-10-12 | 2021-05-26 | ファナック株式会社 | 熱変位補正装置及び数値制御装置 |
CN113454413B (zh) * | 2019-02-19 | 2023-06-27 | 杰富意钢铁株式会社 | 操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 |
WO2020250597A1 (ja) * | 2019-06-12 | 2020-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
WO2021038759A1 (ja) * | 2019-08-28 | 2021-03-04 | 富士通株式会社 | モデル選択方法、モデル選択プログラムおよび情報処理装置 |
EP4024297A4 (en) * | 2019-09-16 | 2022-11-09 | Huawei Cloud Computing Technologies Co., Ltd. | ARTIFICIAL INTELLIGENCE (AI) MODEL EVALUATION METHOD AND SYSTEM, AND DEVICE |
WO2021095693A1 (ja) * | 2019-11-14 | 2021-05-20 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
KR102122168B1 (ko) * | 2020-01-08 | 2020-06-11 | (주)유에스티21 | 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법 |
JP7434065B2 (ja) * | 2020-05-29 | 2024-02-20 | 株式会社Jij | 機械学習モデルを構築する装置、方法及びそのためのプログラム |
CN116097287A (zh) * | 2020-07-30 | 2023-05-09 | 阿瑙特株式会社 | 计算机程序、学习模型的生成方法、手术辅助装置以及信息处理方法 |
JP7387573B2 (ja) * | 2020-10-06 | 2023-11-28 | キヤノン株式会社 | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
US11348035B2 (en) * | 2020-10-27 | 2022-05-31 | Paypal, Inc. | Shared prediction engine for machine learning model deployment |
JP7482055B2 (ja) | 2021-01-28 | 2024-05-13 | 株式会社東芝 | 状態診断装置、システム、及び方法 |
JP2023025801A (ja) * | 2021-08-11 | 2023-02-24 | 三菱重工業株式会社 | 予測装置、予測方法およびプログラム |
JP7275365B1 (ja) | 2022-07-25 | 2023-05-17 | 株式会社コーニッシュ | 不動産取引の価格予測装置及び方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4093934B2 (ja) * | 2003-07-16 | 2008-06-04 | 株式会社神戸製鋼所 | モデルパラメータ決定方法及びそのプログラム,モデル予測方法及びそのプログラム |
JP4971015B2 (ja) * | 2007-04-10 | 2012-07-11 | 株式会社デンソー | 推定装置 |
JP5408380B1 (ja) * | 2013-06-17 | 2014-02-05 | 富士ゼロックス株式会社 | 情報処理プログラム及び情報処理装置 |
-
2015
- 2015-03-11 US US15/128,539 patent/US20180181875A1/en not_active Abandoned
- 2015-03-11 JP JP2016509979A patent/JP6460095B2/ja active Active
- 2015-03-11 WO PCT/JP2015/001313 patent/WO2015146026A1/ja active Application Filing
-
2018
- 2018-12-27 JP JP2018245067A patent/JP2019075159A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210050726A (ko) * | 2019-10-29 | 2021-05-10 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
KR102353818B1 (ko) * | 2019-10-29 | 2022-01-20 | 주식회사 꿀비 | 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2015146026A1 (ja) | 2017-04-13 |
WO2015146026A1 (ja) | 2015-10-01 |
JP2019075159A (ja) | 2019-05-16 |
US20180181875A1 (en) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6460095B2 (ja) | 学習モデル選択システム、学習モデル選択方法及びプログラム | |
JP6531821B2 (ja) | 予測モデル更新システム、予測モデル更新方法および予測モデル更新プログラム | |
TWI598812B (zh) | 判定用於軟體開發之經推薦之最佳化策略 | |
Chan et al. | PredictionIO: a distributed machine learning server for practical software development | |
JP6299599B2 (ja) | 情報システム構築支援装置、情報システム構築支援方法および情報システム構築支援プログラム | |
US8762417B2 (en) | Event impact analysis | |
AU2019202454A1 (en) | Smart advisory for distributed and composite testing teams based on production data and analytics | |
JPWO2006100753A1 (ja) | コスト情報管理システム、コスト情報管理方法およびコスト情報管理プログラム | |
JP2021064049A (ja) | 計算機システム及び数理モデルの生成支援方法 | |
WO2018150550A1 (ja) | 学習データ管理装置及び学習データ管理方法 | |
US20200250691A1 (en) | Information processing apparatus, control method, and program | |
JP2020187417A (ja) | 物性予測装置及び物性予測方法 | |
JP6094595B2 (ja) | 情報システム構築支援装置、情報システム構築支援方法および情報システム構築支援プログラム | |
CN110610252A (zh) | 预测系统以及预测方法 | |
US20170351721A1 (en) | Predicting index fragmentation caused by database statements | |
WO2016063502A1 (ja) | 知識管理装置、知識管理方法、及び、プログラムの記録媒体 | |
WO2015136885A1 (ja) | 評価システム、評価方法およびコンピュータ読み取り可能な記憶媒体 | |
US11200527B2 (en) | Platform for evaluating and recommending process automations | |
US11887017B2 (en) | Automatically predicting transaction likelihood information and transaction-related temporal information using machine learning techniques | |
JP6399206B2 (ja) | 推定器管理システム | |
JP6094594B2 (ja) | 情報システム構築支援装置、情報システム構築支援方法および情報システム構築支援プログラム | |
CN111309712A (zh) | 基于数据仓库的优化任务调度方法、装置、设备及介质 | |
JP2016207136A (ja) | モデル推定システム、モデル推定方法およびモデル推定プログラム | |
CN105095616A (zh) | 数据分析装置、数据分析方法 | |
US20170004511A1 (en) | Identifying Drivers for a Metric-of-Interest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180925 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181122 |
|
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: 20181204 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181217 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6460095 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |