JP6565925B2 - 推定結果表示システム、推定結果表示方法および推定結果表示プログラム - Google Patents

推定結果表示システム、推定結果表示方法および推定結果表示プログラム Download PDF

Info

Publication number
JP6565925B2
JP6565925B2 JP2016556179A JP2016556179A JP6565925B2 JP 6565925 B2 JP6565925 B2 JP 6565925B2 JP 2016556179 A JP2016556179 A JP 2016556179A JP 2016556179 A JP2016556179 A JP 2016556179A JP 6565925 B2 JP6565925 B2 JP 6565925B2
Authority
JP
Japan
Prior art keywords
estimation
learning model
estimation result
graph
attribute
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
Application number
JP2016556179A
Other languages
English (en)
Other versions
JPWO2016067483A1 (ja
Inventor
洋介 本橋
洋介 本橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2016067483A1 publication Critical patent/JPWO2016067483A1/ja
Application granted granted Critical
Publication of JP6565925B2 publication Critical patent/JP6565925B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、学習モデルを用いて導出された推定結果を表示する推定結果表示システム、推定結果表示方法および推定結果表示プログラムに関する。
非特許文献１には、複数の予測式の中から予測式を自動的に選択し、その予測式を用いて予測値を算出した場合に、予測値および実績値のグラフを表示するとともに、選択した予測式の推移を示すグラフを表示することが記載されている。
「一歩進んだ機械学習 ＩｏＴで激増するデータの活用現場に浸透」、日経ＢＰ社、「日経ビッグデータ」、２０１４年０６号、ｐ．７−１２
予測値等のような推定結果を導出する場合、複数の学習モデルの中から学習モデルを自動的に選択し、その学習モデルを用いて推定結果を導出する場合がある。学習モデルを選択する方法の例として、推定用データに含まれる種々の属性が予め定められた種々の条件を満たしているか否かを判定し、その判定結果に応じて、学習モデルを選択する方法が挙げられる。なお、１つの条件が満たされるか否かに応じて、次に属性が満たしているか否かの判定対象となる条件は、変化してよい。推定用データに含まれる属性の例として、気温や降水量等が挙げられるが、属性はこれらに限定されない。
非特許文献１では、予測値および実績値のグラフを表示するとともに、選択した予測式の推移を示すグラフを表示することが記載されている。このような表示態様では、どのような条件判断がなされた結果、予測式（学習モデル）が選択されたのかを人間が認識することは困難である。
学習モデルを用いて導出された推定結果を表示する場合に、その学習モデルがどのような条件判断がなされた結果選択されたのかを、人間が認識できることが好ましい。
また、学習モデルがどのような条件判断がなされた結果選択されたのかを人間が明確に認識できなくても、個々の学習モデルが選択されたときの推定用データ内の属性の傾向を人間が推測できることが好ましい。
そこで、本発明は、学習モデルを用いて導出された推定結果を表示する場合に、その学習モデルがどのような条件判断がなされた結果選択されたのかを、人間が認識できる推定結果表示システム、推定結果表示方法および推定結果表示プログラムを提供することを目的とする。
また、個々の学習モデルが選択されたときの推定用データ内の属性の傾向を人間が推測できる推定結果表示システム、推定結果表示方法および推定結果表示プログラムを提供することを目的とする。
本発明による推定結果表示システムは、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段と、推定結果に、その推定結果を導出するのに用いられた学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示手段とを備えることを特徴とする。
また、本発明による推定結果表示システムは、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果と、推定用データとが対応付けられた情報が入力される入力手段と、推定結果の経時変化および学習モデルの経時変化を表示するとともに、推定用データ内の属性の経時変化を示すグラフを表示する表示手段とを備え、表示手段が、そのグラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示し、属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いることを特徴とする。
また、本発明による推定結果表示方法は、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果とが対応付けられた情報の入力を受け付け、推定結果に、その推定結果を導出するのに用いられた学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示することを特徴とする。
また、本発明による推定結果表示方法は、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果と、推定用データとが対応付けられた情報の入力を受け付け、推定結果の経時変化および学習モデルの経時変化を表示するとともに、推定用データ内の属性の経時変化を示すグラフを表示し、そのグラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示し、属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いることを特徴とする。
また、本発明による推定結果表示プログラムは、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、コンピュータに、推定結果に、その推定結果を導出するのに用いられた学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示処理を実行させることを特徴とする。
また、本発明による推定結果表示プログラムは、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果と、推定用データとが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、コンピュータに、推定結果の経時変化および学習モデルの経時変化を表示するとともに、推定用データ内の属性の経時変化を示すグラフを表示する表示処理を実行させ、表示処理で、そのグラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示させ、属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いさせることを特徴とする。
本発明によれば、学習モデルを用いて導出された推定結果を表示する場合に、その学習モデルがどのような条件判断がなされた結果選択されたのかを、人間が認識できる。
また、本発明によれば、個々の学習モデルが選択されたときの推定用データ内の属性の傾向を人間が推測できる。
学習器および推定器を示す模式図である。 選択モデルの例を示す模式図である。 推定用データの一例を示す図である。 推定器が出力する情報の一例を示す図である。 本発明の第１の実施形態の推定結果表示システムの構成例を示すブロック図である。 第１の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第１の実施形態の処理経過の例を示すフローチャートである。 本発明の第２の実施形態の推定結果表示システムの構成例を示すブロック図である。 第２の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第２の実施形態の処理経過の例を示すフローチャートである。 第３の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第３の実施形態の処理経過の例を示すフローチャートである。 第４の実施形態で選択モデルの表示用データに基づいて表示される選択モデルの例を示す説明図である。 第４の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第４の実施形態の処理経過の例を示すフローチャートである。 第５の実施形態において表示手段によって表示されるグラフの初期状態の例を示す模式図である。 第２のグラフ内のシンボルがポイント・アンド・クックされたときの表示状態の例を示す模式図である。 第５の実施形態の処理経過の例を示すフローチャートである。 第６の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第６の実施形態の処理経過の例を示すフローチャートである。 第６の実施形態の変形例で表示されるグラフの例を示す模式図である。 第７の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第７の実施形態の処理経過の例を示すフローチャートである。 本発明の第８の実施形態の推定結果表示システムの構成例を示すブロック図である。 第８の実施形態において表示手段によって表示されるグラフの例を示す模式図である。 第８の実施形態の処理経過の例を示すフローチャートである。 第８の実施形態の第１の変形例で表示される画面の例を示す説明図である。 第８の実施形態の第２の変形例で表示される画面の例を示す説明図である。 本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。 本発明の推定結果表示システムの概要を示すブロック図である。 判別結果および学習モデルに応じてシンボルを変える場合の表示態様の一具体例を示す図である。
以下、本発明の実施形態を図面を参照して説明する。
まず、本発明の推定結果表示システムに関連する説明として、学習器および推定器について説明する。図１は、学習器および推定器を示す模式図である。理解を容易にするため、気温、降水量、風速等の説明変数の値に基づいて、上水使用量という目的変数の値を推定（予測）する、という具体例を用いて説明する。
学習器１１は、予め学習用データを用いて、複数の学習モデルを生成する。学習モデルは、推定用データが与えられたときに推定結果を導出するためのモデルである。換言すれば、学習モデルを推定用データに対して適用することにより、推定結果が得られる。学習モデルは、例えば、学習用データから導出された、説明変数と目的変数との間に成り立つ規則性を示す情報である。例えば、学習モデルは、推定式の形式で生成される。この場合、推定用データがその推定式の説明変数に代入されることによって、推定結果が算出される。ここでは、学習モデルが推定式の形式である場合を例にしたが、学習モデルの形式は推定式であるとは限らない。学習器１１によって生成された複数の学習モデルは、推定器１２で用いられる。
また、推定器１２には一種類以上の属性を含む推定用データが入力され、推定器１２は、複数の学習モデルのうちから、その推定用データに含まれる属性が一種類以上の条件を満たしているか否かの判定結果に応じた学習モデルを選択する。そして、推定器１２は、その推定用データと、選択した学習モデルとを用いて推定結果を導出する。例示したように学習モデルが推定式の形式で表されている場合には、推定器１２は、入力された推定用データに含まれる属性を推定式の説明変数に代入することによって、推定結果を算出すればよい。
推定器１２によって選択された学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた一種類以上の属性を含む推定用データとを対応付けた情報が、複数組、本発明の推定結果表示システム１に入力される。学習モデルを表す情報は、学習モデルの識別情報である。なお、学習モデル、推定結果および推定用データに加えて、他の情報（例えば、実測値）も対応づけられて、推定結果表示システム１に入力されてもよい。また、本発明の推定結果表示システム１に入力される各推定結果は、予め、推定器１２によって導出されている。
推定器１２は、推定用データに応じた学習モデルを選択する。そのため、学習器１１は、推定用データに応じた学習モデルを選択するためのモデル（以下、選択モデルと記す。）を生成する。図２は、選択モデルの例を示す模式図である。図２に示す例では、選択モデルが、学習モデルを葉ノードとし、葉ノード以外のノードには推定用データ内の属性に関する条件が定められた木構造のモデルである場合を例示している。また、図２に示す選択モデルでは、葉ノード以外の各ノードには、２つの子ノードが存在する。ここでは、選択モデルが図２に例示するような木構造のモデルである場合を例にして説明するが、選択モデルの形式は木構造のモデルに限定されない。
推定器１２には、選択モデルも与えられる。図２に例示する選択モデルが推定器１２に与えられ、また、推定器１２に、気温、降水量の値を含む推定用データが入力されたとする。すると、推定器１２は、選択モデルのルートノードを起点として、ノードが示す条件を推定用データ内の属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿る。そして、推定器１２は、葉ノードに到着したときに、その葉ノードが示す学習モデルを選択する。そして、推定器１２は、その学習モデルと推定用データとを用いて、推定結果を導出する。上記の例では、気温、降水量の値を含む推定用データが入力される場合を例示したが、選択モデルで条件として記述されていない属性が推定用データに含まれていてもよい。
図２に示す例では、学習モデル１が選択される場合、「気温が２０℃以上である」という条件のみが判定されることになる。また、学習モデル２または学習モデル３が選択される場合には、「気温が２０℃以上である」という条件と、「降水量が１０ｍｍ／ｈ以上である」という条件がそれぞれ判定されることになる。
本発明の推定結果表示システム１には、推定器１２が学習モデルを選択する際に用いる選択モデルも入力される。
理解を容易にするために、推定器１２について具体例を用いて説明する。図３は、推定器１２に入力される推定用データの一具体例を示す図である。図３には、推定用データの集合が示されている。図３における「行」に相当する情報が１つの推定用データに相当する情報である。推定用データは、一種類以上の属性を含む。図３における「列」に相当する情報が推定用データに含まれる属性を示す情報である。図３に示す例では、推定用データは、推定用データを識別するＩＤ（識別子）と、気温の値と、降水量の値と、風速の値と、時刻を示す情報とを含む。図３においては、推定用データの集合を表形式で表現しているが、推定用データは図３に示す形式に限定されない。図３に示す例では、推定用データは、属性として、気温、降水量、および風速を含んでいる。
推定器１２は、例えば、推定用データに含まれる属性の値を推定式の説明変数に代入することにより、推定結果を算出する。
図３に示す推定用データと、図２に示す選択モデルとに基づいて、推定器１２の動作の一例を説明する。推定器１２には、図３に例示する推定用データの集合が入力される。推定器１２は、図３におけるＩＤ＝１で識別される推定用データの入力を受け付ける。推定器１２は、図２に示す選択モデルを参照する。ＩＤ＝１で識別される推定用データでは、気温の値が２１．１℃である。このため、図２に示す選択モデルにより、推定器１２は、ＩＤ＝１で識別される推定用データに応じた学習モデルとして、学習モデル１を選択する。同様に、推定器１２は、図３におけるＩＤ＝２で識別される推定用データの入力を受け付ける。ＩＤ＝２で識別される推定用データでは、気温の値が２０．５℃である。このため、図２に示す選択モデルにより、推定器１２は、ＩＤ＝２で識別される推定用データに応じた学習モデルとして、学習モデル１を選択する。同様に、推定器１２は、図３におけるＩＤ＝３で識別される推定用データの入力を受け付ける。ＩＤ＝３で識別される推定用データでは、気温の値が１９．８℃であり、降水量が０．１ｍｍ／ｈである。このため、図２に示す選択モデルにより、推定器１２は、ＩＤ＝３で識別される推定用データに応じた学習モデルとして、学習モデル３を選択する。
推定器１２は、推定用データと、選択した学習モデルとを用いて推定結果を導出する。すなわち、推定器１２は、ＩＤ＝１で識別される推定用データを学習モデル１に相当する推定式に代入することにより、推定値を算出する。同様に、推定器１２は、ＩＤ＝２で識別される推定用データを学習モデル１に相当する推定式に代入することにより、推定値を算出する。同様に、推定器１２は、ＩＤ＝３で識別される推定用データを学習モデル３に相当する推定式に代入することにより、推定値を算出する。換言すれば、推定器１２は、例えば時系列的に連続するような推定用データの集合（換言すれば、時系列的に一連の推定用データ）について、当該推定用データの性質と選択モデルとに基づいて、当該推定用データに適用すべき学習モデルを選択する。推定用データの性質は、例えば推定用データに含まれる属性の値である。
図４は、推定器１２が出力する情報である推定結果データの一具体例を示す図である。図４には、推定結果データの集合が示されている。図４における「行」に相当する情報が一つの推定結果データに相当する情報である。図４に示すように、推定結果データは、例えば、推定値と、その推定値を導出する際に用いられた学習モデルを表す情報と、その学習モデルを選択するときに用いた推定用データとを対応付けた情報である。図４に示すように、推定結果データは、その他の情報を含んでいてもよい。図４に示す例では、推定結果データが、推定結果データを識別する識別子や、推定用データの時刻情報等も含んでいる場合を示している。上述のように、推定用データには、一種類以上の属性が含まれている。
図４に示すＩＤ＝ａ１で識別される推定結果（すなわち、上水使用量推定値４．３ｍ３）は、ＩＤ＝１で識別される推定用データを学習モデル１に相当する推定式に代入することにより算出された推定値である。同様に、図４に示すＩＤ＝ａ２で識別される推定結果（すなわち、上水使用量推定値４．０ｍ３）は、ＩＤ＝２で識別される推定用データを学習モデル１に相当する推定式に代入することにより算出された推定値である。同様に、図４に示すＩＤ＝ａ３で識別される推定結果（すなわち、上水使用量推定値４．７ｍ３）は、ＩＤ＝３で識別される推定用データを学習モデル３に相当する推定式に代入することにより算出された推定値である。このように、推定結果データの集合は、例えば時系列的に連続するような一連の推定結果を示す情報である。以上、具体例を用いて推定器１２の動作の一例を説明した。
図２に示すような学習器１１の一例が、例えば、以下に示す参考文献に開示されている。
［参考文献］ 米国特許出願公開第２０１４／０２２２７４１Ａ１号明細書
なお、上記のような選択モデルを学習モデルと称し、推定式等のように推定結果を導出するためのモデルをコンポーネントと称する場合もある。しかし、以下に示す各実施形態では、推定結果を導出するためのモデル（例えば、推定式）を学習モデルと記し、学習モデルを選択するためのモデルを選択モデルと記す。また、参考文献が開示する技術においては選択モデル自体が学習の結果であるが、本発明の各実施形態では、選択モデルは学習の結果であっても、人手で生成された情報であってもよい。
実施形態１．
図５は、本発明の第１の実施形態の推定結果表示システムの構成例を示すブロック図である。本実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４とを備える。
入力手段２には、推定用データ内の一種類以上の属性が一種類以上の条件を満たしているか否かの判定結果に応じて推定器１２によって選択された学習モデルを表す情報と、その学習モデルによって導出された推定結果と、その推定用データと、実測値とが対応付けられた情報（推定結果データ）が、複数組、入力される。言い換えると、入力手段２には、推定結果データの集合が入力される。ここでは、推定結果が値として算出されている場合を例にして説明する。従って、推定結果を推定値と称してもよい。
また、入力手段２には、推定器１２が学習モデルを選択するときに用いた選択モデルと、その選択モデルの表示用データも入力される。推定結果表示システム１は、一度入力された選択モデル、および選択モデルの表示用データを記憶装置（図５において図示略。）に記憶させておけばよい。選択モデルの表示用データは、選択モデルを人間が把握可能な態様で表示するためのデータである。本実施形態では、選択モデルの表示用データとして、図２に例示するように、葉ノードが学習モデルを表し、葉ノード以外の各ノードが推定用データ内の属性に対する条件を表す木構造の表示用データが入力される。なお、前述のように、葉ノード以外の各ノードには、２つの子ノードが存在する。
入力手段２は、学習モデルを示す情報と、推定結果と、実測値と、推定用データとの組毎（換言すれば、推定結果データ毎に）に、学習モデルを示す情報、推定結果および実測値を表示手段４に送り、推定用データを条件特定手段３に送る。
１つの推定結果データ内の推定用データは、一種類以上の属性を含んでいる。この点は、他の各実施形態においても同様である。
入力手段２は、例えば、情報を入力するための入力デバイスまたは入力インタフェースである。
条件特定手段３は、与えられた推定用データ内の一種類以上の属性と、選択モデルとを用いて、学習モデルが推定器１２で選択されたときに属性が満たしているか否かの判定対象となっていた条件を特定する。条件特定手段３は、選択モデルのルートノードを起点として、ノードが示す条件を属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿る。そして、条件特定手段３は、葉ノードに到着するまでに辿ったノードに対応する条件を特定すればよい。条件特定手段３は、特定した条件を表示手段４に送る。
あるいは、学習モデルが推定器１２で選択されたときに属性が満たしているか否かの判定対象となっていた条件は、推定結果データに含まれる属性として、入力手段１２に入力されてもよい。
表示手段４は、推定結果と、学習モデルを示す情報と、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件とを合わせて表示する。この表示態様は、実施形態によって異なる。
第１の実施形態では、表示手段４は、推定結果をシンボルで表した散布図を表示する。このとき、表示手段４は、学習モデルに応じてそのシンボルの種別を変え、かつ、学習モデルが選択されたときに属性が満たしているか否かの判定対象となっていた条件をそのシンボル上で表す。以下、表示手段４による表示例を具体的に説明する。
なお、シンボルは、マーカとも称される。
図６は、第１の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。表示手段４は、散布図の他に、選択モデルの表示用データに基づいて、選択モデルを表す木構造のグラフ４１（以下、木構造グラフ４１と記す。）も表示する。表示手段４は、木構造グラフ４１において、条件に対応するノードをそれぞれ個別の色または模様で表示する（図６参照）。すなわち、選択モデル内の個々の条件と、色または模様とが対応付けられていることになる。
表示手段４は、表示結果をシンボルで表した散布図を表示する。図６に例示する散布図は、推定結果に対応する軸と、実測値に対応する軸とを有する。図６では、推定結果に対応する軸が横軸であり、実測値に対応する軸が縦軸である場合を例示している。
表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標となるように、散布図内に配置する。さらに、推定結果を表すシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。図６では、学習モデル１を用いて導出された推定結果を表すシンボルを丸とし、学習モデル２を用いて導出された推定結果を表すシンボルを四角形とし、学習モデル３を用いて導出された推定結果を表すシンボルを三角形とした場合を例示している。学習モデルの種類がさらに多い場合にも、表示手段４は、学習モデルに応じてシンボルの種別を変える。ただし、学習モデルの種類が多い場合には、表示手段４は、必ずしも全ての学習モデル毎にシンボルを変える必要はない。例えば、表示手段４は、学習モデルをグルーピングし、学習モデルのグループ毎に、学習モデルから導出された推定結果を表わすシンボルの種別を変える等してもよい。また、表示手段４は、複数の学習モデルのうち、特定の学習モデルから導出された推定結果を表わすシンボルの種別を、他のシンボルの種別と変える等してもよい。この点は、他の実施形態においても同様である。
さらに、表示手段４は、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象になっていた条件を、散布図内のシンボル上に表す。前述のように、木構造グラフ４１において、条件に対応するノードをそれぞれ個別の色または模様で表示されている。表示手段４は、シンボルが表す推定結果に対応する推定用データを用いて条件特定手段３によって特定された条件（その推定結果を導出した学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件）に対応する色または模様でシンボルを表す。１つのシンボルに対して、複数の条件が特定されている場合もある。その場合、表示手段４は、そのシンボルを、その複数の条件に対応する各色または模様で表す。
木構造グラフ４１が表す選択モデルを用いる場合、学習モデル１が選択される場合、「気温が２０℃以上である」という条件（以下、条件Ａと記す。）のみが判定されることになる。また、学習モデル２または学習モデル３が選択される場合には、条件Ａと、「降水量が１０ｍｍ／ｈ以上である」という条件（以下、条件Ｂと記す。）がそれぞれ判定されることになる。また、図６に示す例では、条件Ａと横線模様とを対応付け、条件Ｂと斜線模様とを対応付けた例を示している（図６に示す木構造グラフ４１を参照）。従って、表示手段４は、学習モデル１に対応する推定結果を表すシンボルを、横線模様の円とする。また、表示手段４は、学習モデル２に対応する推定結果を表すシンボルを、横線模様および斜線模様の組み合わせた四角形とする。同様に、表示手段４は、学習モデル３に対応する推定結果を表すシンボルを、横線模様および斜線模様の組み合わせた三角形とする。
図６では、表示手段４が、学習モデルに応じてシンボルの形を変え、かつ、条件に応じてシンボルの色または模様を変える場合を例示したが、表示手段４は、学習モデルに応じてシンボルの色または模様を変え、かつ、条件に応じてシンボルの形を変えてもよい。
条件特定手段３および表示手段４は、例えば、ディスプレイ装置を有するコンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、コンピュータのプログラム記憶装置（図５において図示略）等のプログラム記録媒体から推定結果表示プログラムを読み込み、その推定結果表示プログラムに従って、条件特定手段３および表示手段４として動作すればよい。表示手段４のうち、グラフを定め、そのグラフをディスプレイ装置に表示させる部分が、ＣＰＵによって実現される。表示手段４のうち、実際に表示を行う部分は、ディスプレイ装置によって実現される。この点は、後述の他の実施形態においても同様である。
また、推定結果表示システム１は、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。この点も、後述の各実施形態において同様である。
次に、処理経過について説明する。図７は、第１の実施形態の処理経過の例を示すフローチャートである。
まず、入力手段２に、学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた推定用データと、実測値とが対応付けられた情報が、複数組、入力される（ステップＳ１）。入力手段２は、その組毎に、学習モデルを示す情報、推定結果および実測値を表示手段４に送り、推定用データを条件特定手段３に送る。
また、ステップＳ１では、選択モデルと、その選択モデルの表示用データも入力手段２に入力される。推定結果表示システム１は、その選択モデル、および選択モデルの表示用データを記憶装置（図５において図示略。）に記憶する。
次に、条件特定手段３は、全ての組の推定用データを選択済みであるか否かを判定する（ステップＳ２）。推定用データが選択されていない組が残っている場合（ステップＳ２のＮｏ）、条件特定手段３は、その組のうちの１つの組の推定用データを選択する（ステップＳ３）。
条件特定手段３は、ステップＳ３で選択した推定用データと、選択モデルとを用いて、その推定用データに対応する学習モデルが推定器１２で選択されたときに、推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する（ステップＳ４）。前述のように、条件特定手段３は、選択モデルのルートノードを起点として、ノードが示す条件を推定用データ内の属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを繰り返しつつノードを辿る。そして、条件特定手段３は、葉ノードに到着するまでに辿ったノードに対応する条件を特定すればよい。
例えば、ステップＳ３で、「気温１８℃」、「降水量１５ｍｍ／ｈ」という属性を含む推定用データを選択しているとする。また、図２に例示する選択モデルが入力されているとする。条件特定手段３は、図２に例示するルートノードを起点としてノードを辿る。ルートノードは条件Ａに対応し、条件特定手段３は、「気温１８℃」は条件Ａを満たさないと判定する。その結果、条件特定手段３は、ルートノードから条件Ｂに対応するノードを辿る。そして、条件特定手段３は、「降水量１５ｍｍ／ｈ」は条件Ｂを満たすと判定し、学習モデル２に対応する葉ノードに到着する。従って、本例では、条件特定手段３は、条件Ａおよび条件Ｂを特定する。
条件特定手段３は、特定した条件を表示手段４に送る。
ステップＳ４の後、ステップＳ２に移行する。
全ての組の推定用データが選択済みである場合（ステップＳ２のＹｅｓ）、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標値となるように配置した散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変え、学習モデルに対応する条件をシンボル上に表す（ステップＳ５）。
また、ステップＳ５において、表示手段４は、選択モデルの表示用データに基づいて、木構造グラフ４１を、散布図とともに表示する。このとき、表示手段４は、木構造グラフ４１内の条件に対応するノードを、その条件に対応する色または模様で表示する。
例えば、表示手段４は、ステップＳ５で、図６に例示する散布図および木構造グラフ４１を表示する。
本実施形態によれば、表示手段４は、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件に対応する色または模様でシンボルを表す。従って、グラフの観察者（以下、単に観察者と記す。）は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、属性が満たしているか否かの判定対象となっていたのかを認識することができる。換言すれば、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。その結果、例えば、学習モデルを用いて導出された推定結果の精度が低い場合、その学習モデルが選択された要因に基づいて、選択モデルを見直すことができる。
また、表示手段４は、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変える。従って、推定結果を導出するときにどの学習モデルが選択されていたのかに関しても、観察者は、認識できる。
また、図６に示す例では、推定結果に対応する軸が横軸であり、実測値に対応する軸が縦軸である。ここで、推定結果をｘとし、実測値をｙで表すと、シンボルが直線ｙ＝ｘ（図６において破線で示す直線）に近いほど、学習モデルの推定精度が高いことを意味している。従って、特定の形のシンボルがｙ＝ｘから離れていれば、そのシンボルが表す推定結果導出時に選択されていた学習モデルの精度は低いと言える。このように、推定精度が低い学習モデルが選択されているような場合に、観察者は、選択されていた推定精度の低い学習モデルを認識できる。
なお、入力手段２に入力される情報において、推定用データに応じた学習モデルは、必ずしも推定器１２によって選択された学習モデルでなくてもよい。例えば、推定用データに応じた学習モデルを、分析者が人手で選択していてもよい。この場合、例えば、推定結果と、その推定結果を導出する際に用いられた学習モデルを表す情報とが、人手によって対応付けられていてもよい。この点は、他の実施形態においても同様である。
実施形態２．
図８は、本発明の第２の実施形態の推定結果表示システムの構成例を示すブロック図である。第２の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える。第１の実施形態と同様の事項については、適宜説明を省略する。
入力手段２は、第１の実施形態における入力手段２と同様である。入力手段２には、第１の実施形態と同様に、推定用データ内の一種類以上の属性が一種類以上の条件を満たしているか否かの判定結果に応じて推定器１２によって選択された学習モデルを表す情報と、その学習モデルによって導出された推定結果と、その推定用データと、実測値とが対応付けられた情報（推定結果データ）が、複数組、入力される。ここでは、推定結果が値として算出されている場合を例にして説明する。従って、推定結果を推定値と称してもよい。
また、入力手段２には、推定器１２が学習モデルを選択するときに用いた選択モデルも入力される。推定結果表示システム１は、一度入力された選択モデルを記憶装置（図８において図示略。）に記憶させておけばよい。なお、本実施形態では、選択モデルの表示用データは、入力手段２に入力されなくてよい。本実施形態では、木構造グラフ４１（図６参照）を表示しなくてよいためである。
条件特定手段３は、第１の実施形態における条件特定手段３と同様である。ただし、第２の実施形態において、条件特定手段３は、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定するだけでなく、属性がその条件を満たしているか否かについても判定することが好ましい。以下、条件特定手段３が、特定された条件を属性が満たしているか否かについても判定する場合を例にして説明する。
カーソル操作手段７は、観察者がグラフの表示画面内のカーソルを操作するためのデバイスである。具体的には、カーソル操作手段７は、マウス、タッチパッド、ジョイスティック、トラックボール等のポインティングデバイスである。
第２の実施形態では、表示手段４は、推定結果をシンボルで表した散布図を表示する。このとき、表示手段４は、学習モデルに応じてそのシンボルの種別を変える。図９は、第２の実施形態において表示手段４によって表示されるグラフ（本実施形態では散布図）の例を示す模式図である。図９（ａ）は、表示された初期状態における散布図を示す。図９（ｂ）は、推定結果を表すシンボルがポイント・アンド・クリックされた場合のグラフを示す。
表示手段４は、例えば、推定結果に対応する軸が横軸であり、実測値に対応する軸が縦軸である散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標となるように、散布図内に配置する。さらに、推定結果を表すシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。この点は、第１の実施形態と同様である。
また、表示手段４は、散布図とともにカーソル３１を表示する。散布図とともにカーソル３１を表示した初期状態を、図９（ａ）に例示している。
表示手段４は、観察者によって操作されるカーソル操作手段７の動きに従ってカーソル３１の表示位置を変更する。そして、散布図内のいずれかのシンボルがポイント・アンド・クリックされたときに、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を散布図上に表示する。このときの散布図の表示状態を、図９（ｂ）に例示している。本実施形態では、表示手段４が、属性がその条件を満たしていたか否かの判定結果も表示する場合を例にして説明する。
なお、以下の説明では、シンボルがポイント・アンド・クリックされたときに、表示手段４が、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する場合を例にして説明する。ただし、シンボルがオンカーソル状態になったときに、表示手段４が、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示してもよい。この点は、他の実施形態でも同様である。
なお、「シンボルがポイント・アンド・クリックされた」とは、シンボルにカーソル３１が重ねられ、さらに、クリック操作が行われたことを意味する。「シンボルがオンカーソル状態になった」とは、シンボルにカーソル３１が重ねられたことを意味する。
次に、処理経過について説明する。図１０は、第２の実施形態の処理経過の例を示すフローチャートである。
入力手段２に、学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた推定用データと、実測値とが対応付けられた情報が、複数組、入力される（ステップＳ１１）。入力手段２は、その組毎に、学習モデルを示す情報、推定結果および実測値を表示手段４に送り、推定用データを条件特定手段３に送る。
また、ステップＳ１では、選択モデルも入力手段２に入力される。推定結果表示システム１は、その選択モデルを記憶装置（図８において図示略。）に記憶する。
次に、条件特定手段３は、全ての組の推定用データを選択済みであるか否かを判定する（ステップＳ１２）。推定用データが選択されていない組が残っている場合（ステップＳ１２のＮｏ）、条件特定手段３は、その組のうちの１つの組の推定用データを選択する（ステップＳ１３）。ステップＳ１２，Ｓ１３は、第１の実施形態におけるステップＳ２，Ｓ３と同様である。
条件特定手段３は、ステップＳ１３で選択した推定用データと、選択モデルとを用いて、その推定用データに対応する学習モデルが推定器１２で選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する（ステップＳ１４）。ステップＳ１４において、条件特定手段３は、属性が、特定した条件を満たしているか否かについても判定する。ステップＳ１４の動作は、第１の実施形態におけるステップＳ４の動作と同様である。ただし、本実施形態において、条件特定手段３は、特定した条件と、属性がその条件を満たしているか否かの判定結果とを表示手段４に送る。
ステップＳ１４の後、ステップＳ１２に移行する。
全ての組の推定用データが選択済みである場合（ステップＳ１２のＹｅｓ）、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標値となるように配置した散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変える（ステップＳ１５）。また、表示手段４は、カーソル３１を表示する。ステップＳ１５では、図９（ａ）に例示する画面が表示される。
次に、表示手段４は、散布図内のいずれかのシンボルがポイント・アンド・クリックされたか否かを判定する（ステップＳ１６）。どのシンボルもポイント・アンド・クリックされていなければ（ステップＳ１６のＮｏ）、ステップＳ１６の判定を繰り返す。
いずれかのシンボルがポイント・アンド・クリックされた場合（ステップＳ１６のＹｅｓ）、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する（ステップＳ１７）。ステップＳ１７では、図９（ｂ）に例示する画面が表示される。図９（ｂ）に示す例では、表示手段４は、「条件Ａを満たさず、条件Ｂを満たしたことで学習モデル２を選択」という情報を表示している。このような表示から、観察者は、条件Ａ，Ｂが判定対象になっていたことや、推定用データ内の属性が条件Ａを満たさず，条件Ｂを満たしていたこと等が認識できる。
ステップＳ１７の後、カーソル３１がシンボルから離れた場合、表示手段４は、ステップＳ１６以降の動作を繰り返してもよい。
なお、上記の第２の実施形態の説明では、散布図を表示する前に、条件特定手段３が、対応付けられた情報の組毎にステップＳ１３，Ｓ１４を実行する場合を例示した。ポイント・アンド・クリックされたシンボルが生じたときに、条件特定手段３が、そのシンボルが表す推定結果に対応する推定用データを選択し、ステップＳ１４と同様の処理を行った後に、表示手段４がステップＳ１７を実行してもよい。この点は、シンボルがポイント・アンド・クリックされた場合、あるいは、オンカーソル状態になった場合に情報を表示する他の実施形態においても同様である。
本実施形態によれば、いずれかのシンボルがポイント・アンド・クリックされた場合、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する。従って、観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、属性が満たしているか否かの判定対象となっていたのかを認識することができ、また、属性がその条件を満たしていたのか否かについても認識することができる。よって、第１の実施形態と同様に、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、本実施形態においても、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。また、推定精度が低い学習モデルが選択されているような場合に、観察者は、選択されていた推定精度の低い学習モデルを認識できる。
実施形態３．
本発明の第３の実施形態の推定結果表示システムは、第２の実施形態の推定結果表示システムと同様に、図８に示すブロック図で表すことができるので、図８を用いて第３の実施形態を説明する。第２の実施形態と同様の事項については、適宜説明を省略する。
第３の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える（図８参照）。
第３の実施形態で入力手段２に入力される情報は、第１の実施形態で入力手段２に入力される情報と同様である。
また、条件特定手段３は、選択モデルのルートノードを起点として、ノードが示す条件を推定用データ内の属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを、学習モデルに対応する葉ノードに到着するまで繰り返す。条件特定手段３は、この処理によって、木構造グラフ４１におけるルートノードから葉ノードまでの経路を特定する。この経路上の葉ノード以外のノードは、推定用データ内の属性に関する条件に対応するノードである。従って、上記のような経路を特定しているということは、葉ノードに対応する学習モデルが推定器１２で選択されたときに属性が満たしているか否かの判定対象となっていた条件を特定していると言える。
表示手段４は、推定結果をシンボルで表した散布図を表示する。このとき、表示手段４は、学習モデルに応じてそのシンボルの種別を変える。また、表示手段４は、選択モデルの表示用データに基づいて、木構造グラフ４１（図１１参照）も表示する。第３の実施形態では第１の実施形態と同様に、選択モデルの表示用データとして、葉ノードが学習モデルを表し、葉ノード以外の各ノードが推定用データ内の属性に対する条件を表す木構造の表示用データが入力される。
図１１は、第３の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。図１１（ａ）は、表示された初期状態におけるグラフを示す。図１１（ｂ）は、推定結果を表すシンボルがポイント・アンド・クリックされた場合のグラフを示す。
表示手段４は、例えば、推定結果に対応する軸が横軸であり、実測値に対応する軸が縦軸である散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標となるように、散布図内に配置する。さらに、推定結果を表すシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。この点は、第１の実施形態と同様である。
さらに、表示手段４は、選択モデルの表示用データに基づいて、木構造グラフ４１も表示する。第３の実施形態では、表示手段４は、木構造グラフ４１において、条件に対応するノードをそれぞれ個別の色または模様で表示する必要はない（図１１参照）。
また、表示手段４は、カーソル３１も表示する。散布図、木構造グラフ４１およびカーソル３１を表示した初期状態を、図１１（ａ）に例示している。
表示手段４は、観察者によって操作されるカーソル操作手段７の動きに従ってカーソル３１の表示位置を変更する。そして、散布図内のいずれかのシンボルがポイント・アンド・クリックされたときに、表示手段４は、そのシンボルが示す推定結果に対応する推定用データに基づいて条件特定手段３が特定した木構造グラフ４１上の経路を強調表示する。このときの表示状態を図１１（ｂ）に例示している。
次に、処理経過について説明する。図１２は、第３の実施形態の処理経過の例を示すフローチャートである。ステップＳ１〜Ｓ３は、第１の実施形態におけるステップＳ１〜Ｓ３と同様である。
ステップＳ３の後、条件特定手段３は、ステップＳ３で選択した推定用データと、選択モデルとを用いて、木構造グラフ４１上の経路を特定する（ステップＳ２４）。条件特定手段３は、選択モデルのルートノードを起点として、ノードが示す条件を推定用データ内の属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを、学習モデルに対応する葉ノードに到着するまで繰り返すことによって、木構造グラフ４１上の経路を特定する。
ステップＳ１４の後、ステップＳ２に移行する。
全ての組の推定用データが選択済みである場合（ステップＳ２のＹｅｓ）、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標値となるように配置した散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変える。また、表示手段４は、選択モデルの表示用データに基づいて木構造グラフ４１を表示する（ステップＳ２５）。表示手段４は、カーソル３１も表示する。ステップＳ２５では、図１１（ａ）に例示する画面が表示される。
次に、表示手段４は、散布図内のいずれかのシンボルがポイント・アンド・クリックされたか否かを判定する（ステップＳ２６）。どのシンボルもポイント・アンド・クリックされていなければ（ステップＳ２６のＮｏ）、ステップＳ２６の判定を繰り返す。
いずれかのシンボルがポイント・アンド・クリックされた場合（ステップＳ２６のＹｅｓ）、表示手段４は、そのシンボルが示す推定結果に対応する推定用データに基づいて特定された経路を、木構造グラフ４１上で強調表示する（ステップＳ２７）。ステップＳ２７では、図１１（ｂ）に例示する画面が表示される。図１１（ｂ）では、ノード間を結ぶリンクを太くすることによって経路を強調表示する例を示しているが、木構造グラフ４１上の経路を強調表示する方法は特に限定されない。
ステップＳ２７の後、カーソル３１がシンボルから離れた場合、表示手段４は、木構造グラフ４１上の経路の強調表示を停止し、ステップＳ２６以降の動作を繰り返してもよい。
なお、ステップＳ２６で、表示手段４は、いずれかのシンボルがオンカーソル状態になったか否かを判定し、いずれかのシンボルがオンカーソル状態になったときにステップＳ２７に移行してもよい。
ステップＳ２７で強調表示された経路上の葉ノード以外のノードは、推定用データ内の属性に関する条件に対応するノードである。従って、表示手段４は、ステップＳ２７で経路を強調表示することによって、その推定結果を導出した学習モデルが推定器１２で選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示していると言える。例えば、図１１（ｂ）に示す例では、ポイント・アンド・クリックされたシンボルが示す推定結果を導出した学習モデル２が選択されたときには、推定用データ内の属性が条件Ａを満たしているか否か、および、推定用データ内の属性が条件Ｂを満たしているか否かが判定されていたということが分かる。従って、観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、属性が満たしているか否かの判定対象となっていたのかを認識することができる。よって、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、本実施形態においても、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。また、推定精度が低い学習モデルが選択されているような場合に、観察者は、選択されていた推定精度の低い学習モデルを認識できる。
実施形態４．
本発明の第４の実施形態の推定結果表示システムは、第２の実施形態の推定結果表示システムと同様に、図８に示すブロック図で表すことができるので、図８を用いて第４の実施形態を説明する。
第４の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える（図８参照）。
第４の実施形態で入力手段２に入力される情報は、第１の実施形態で入力手段２に入力される情報と同様である。ただし、第４の実施形態では、選択モデルの表示用データとして、推定用データ内の属性に対する条件を複数の軸に割り当て、その軸によって規定される空間内に、その条件に応じた学習モデルを表したデータが入力される。図１３は、このような選択モデルの表示用データに基づいて表示される選択モデルの例を示す説明図である。
図１３に示す選択モデルは、図２に示す木構造の選択モデルと同様の内容を表している。図１３に示す例では２つの軸に条件が割り当てられている。具体的には、横軸に、条件Ａ（気温が２０℃以上であるという条件）が割り当てられ、縦軸に条件Ｂ（降水量が１０ｍｍ／ｈ以上であるという条件）が割り当てられている。そして、横軸では、条件Ａを満たす範囲（２０℃以上の範囲）と満たさない範囲（２０℃未満）に分けられている。同様に、縦軸では、条件Ｂを満たす範囲（１０ｍｍ／ｈ以上の範囲）と満たさない範囲（１０ｍｍ／ｈ未満の範囲）に分けられている。
条件Ａを満たせば、他の条件を満たしているか否かによらず、学習モデル２を選択することになる。よって、条件Ａを満たす横軸の範囲によって規定される空間（領域）が学習モデル１に対応することが、選択モデルの表示用データにおいて予め定められている。
また、条件Ａを満たさない場合、条件Ｂを満たしていれば、学習モデル１を選択することになる。よって、条件Ａを満たさない横軸の範囲および条件Ｂを満たす縦軸の範囲によって規定される空間（領域）が学習モデル２に対応することが、選択モデルの表示用データにおいて予め定められている。
また、条件Ａ，Ｂの両方を満たさない場合、学習モデル３を選択することになる。よって、条件Ａを満たさない横軸の範囲および条件Ｂを満たさない縦軸の範囲によって規定される空間（領域）が学習モデル３に対応することが、選択モデルの表示用データにおいて予め定められている。
このような選択モデルの表示用データに基づいて、図１３に例示するように選択モデルを表した図が表示される。以下、図１３に示す図を選択モデル図と記す。
図１３に示す例では、横軸および縦軸にそれぞれ１つの条件を割り当てる場合を例示したが、１つの軸に複数の条件を割り当ててもよい。また、選択モデル図を構成する軸の数は、３であってもよい。
また、条件特定手段３は、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定するとともに、属性がその条件を満たしているか否かを判定する。
表示手段４は、推定結果をシンボルで表した散布図を表示する。このとき、表示手段４は、学習モデルに応じてそのシンボルの種別を変える。また、表示手段４は、選択モデルの表示用データに基づいて、選択モデル図も表示する。
図１４は、第４の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。図１４（ａ）は、表示された初期状態におけるグラフを示す。図１４（ｂ）は、推定結果を表すシンボルがポイント・アンド・クリックされた場合のグラフを示す。
表示手段４は、例えば、推定結果に対応する軸が横軸であり、実測値に対応する軸が縦軸である散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標となるように、散布図内に配置する。さらに、推定結果を表すシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。この点は、第１の実施形態と同様である。
さらに、表示手段４は、選択モデルの表示用データに基づいて、選択モデル図４２も表示する。
また、表示手段４は、カーソル３１も表示する。散布図、選択モデル図４２およびカーソル３１を表示した初期状態を、図１４（ａ）に例示している。
表示手段４は、観察者によって操作されるカーソル操作手段７の動きに従ってカーソル３１の表示位置を変更する。そして、散布図内のいずれかのシンボルがポイント・アンド・クリックされたときに、表示手段４は、そのシンボルが示す推定結果に対応する推定用データに基づいて条件特定手段３が判定した結果（条件、および、推定用データ内の属性がその条件を満たしているか否か）によって定まる選択モデル図４２内の領域を強調表示する。このときの表示状態を図１４（ｂ）に例示している。
次に、処理経過について説明する。図１５は、第４の実施形態の処理経過の例を示すフローチャートである。
まず、入力手段２に、学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた推定用データと、実測値とが対応付けられた情報が、複数組、入力される（ステップＳ１）。入力手段２は、その組毎に、学習モデルを示す情報、推定結果および実測値を表示手段４に送り、推定用データを条件特定手段３に送る。
また、ステップＳ１では、選択モデルと、その選択モデルの表示用データも入力手段２に入力される。推定結果表示システム１は、その選択モデル、および選択モデルの表示用データを記憶装置（図８において図示略。）に記憶する。本実施形態におけるステップＳ１は、選択モデルの表示用データとして、推定用データ内の属性に対する条件を複数の軸に割り当て、その軸によって規定される空間内に、その条件に応じた学習モデルを表したデータ（図１３に例示する形式の選択モデルの表示用データ）が入力される点の以外は、第１の実施形態におけるステップＳ１と同様である。
なお、選択モデルの表示用データは、選択モデル図４２を表示するためのデータであり、選択モデルは、第１の実施形態と同様であってよい。例えば、選択モデルは、木構造のモデルであってよい。そして、その木構造の選択モデルを、選択モデル図４２として表示するためのデータが、選択モデルの表示用データとして入力される。
次に、条件特定手段３は、全ての組の推定用データを選択済みであるか否かを判定する（ステップＳ２）。推定用データが選択されていない組が残っている場合（ステップＳ２のＮｏ）、条件特定手段３は、その組のうちの１つの組の推定用データを選択する（ステップＳ３）。
条件特定手段３は、ステップＳ３で選択した推定用データと、選択モデルとを用いて、その推定用データに対応する学習モデルが推定器１２で選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する（ステップＳ３４）。また、ステップＳ３４において、条件特定手段３は、その属性が、その条件を満たしているか否かについても判定する。条件特定手段３は、選択モデルのルートノードを起点として、ノードが示す条件を推定用データ内の属性が満たしているか否かに応じて２つの子ノードのいずれか一方を選択することを葉ノードに到着するまで繰り返すことによって、ステップＳ３４を実行すればよい。
例えば、ステップＳ３で、「気温１８℃」、「降水量１５ｍｍ／ｈ」という属性を含む推定用データを選択しているとする。また、図２に例示する選択モデルが入力されているとする。この場合、条件特定手段３は、条件Ａ，Ｂを特定し、「気温１８℃」は条件Ａを満たさず、「降水量１５ｍｍ／ｈ」は条件Ｂを満たすという判定結果を得る。
条件特定手段３は、特定した条件、および、属性がその条件を満たしているか否かの判定結果を表示手段４に送る。
ステップＳ３４の後、ステップＳ２に移行する。
全ての組の推定用データが選択済みである場合（ステップＳ２のＹｅｓ）、表示手段４は、推定結果を表すシンボルを、その推定結果が横軸方向の座標となり、その推定結果に対応する実測値が縦軸方向の座標値となるように配置した散布図を表示する。このとき、表示手段４は、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変える。また、表示手段４は、選択モデルの表示用データに基づいて選択モデル図４２を表示する（ステップＳ３５）。表示手段４は、カーソル３１も表示する。ステップＳ３５では、図１４（ａ）に例示する画像が表示される。
次に、表示手段４は、散布図内のいずれかのシンボルがポイント・アンド・クリックされたか否かを判定する（ステップＳ３６）。どのシンボルもポイント・アンド・クリックされていなければ（ステップＳ３６のＮｏ）、ステップＳ３６の判定を繰り返す。
いずれかのシンボルがポイント・アンド・クリックされた場合（ステップＳ３６のＹｅｓ）、表示手段４は、そのシンボルが示す推定結果に対応する推定用データを用いて実行されたステップＳ３４の結果に基づいて定まる選択モデル図４２内の領域を強調表示する（ステップＳ３７）。具体的には、表示手段４は、ステップＳ３４で特定された条件毎に、その条件が割り当てられた軸において、ステップＳ３４の判定結果（推定用データ内の属性が条件を満たしているか否か）に応じた範囲を特定する。表示手段４は、選択モデル図４２内の区分けされた領域のうち、それらの範囲が重なっている部分を含む領域を特定し、その領域を強調表示する。
例えば、上記の例のように、ステップＳ３４で、条件Ａ，Ｂが特定され、「気温１８℃」は条件Ａを満たさず、「降水量１５ｍｍ／ｈ」は条件Ｂを満たすという判定結果が得られたとする。また、図１３に示す選択モデル図を例にして説明する。この場合、表示手段４は、条件Ａに関しては、横軸で条件Ａを満たさない範囲（２０℃未満の範囲）を特定する。同様に、表示手段４は、条件Ｂに関して、縦軸で条件Ｂを満たす範囲（１０ｍｍ／ｈ以上の範囲）を特定する。それらの範囲が重なっている部分を含む領域は、図１３における選択モデル図内の、学習モデル２に対応する領域である。従って、本例では、ステップＳ３７で、図１４（ｂ）に例示するように、散布図および選択モデル図４２を表示する。なお、図１４（ｂ）では、学習モデル２に対応する領域に背景の模様（色でもよい。）を付加することによって、その領域を強調表示する例を示している。ステップＳ３７における強調表示の方法は、他の方法であってもよい。
ステップＳ３７の後、カーソル３１がシンボルから離れた場合、表示手段４は、選択モデル図４２内の領域の強調表示を停止し、ステップＳ３６以降の動作を繰り返してもよい。
なお、ステップＳ３６で、表示手段４は、いずれかのシンボルがオンカーソル状態になったか否かを判定し、いずれかのシンボルがオンカーソル状態になったときにステップＳ３７に移行してもよい。
ステップＳ３７で強調表示される領域は、各軸における、条件を満たす範囲、または、条件を満たさない範囲に対応している。なお、図１３に示す例では、学習モデル１に対応する領域は、縦軸における、条件Ｂを満たす範囲（１０ｍｍ／ｈ以上の範囲）および条件Ｂを満たさない範囲（１０ｍｍ／ｈ未満の範囲）を跨っている。このことは、学習モデル１の選択時には、推定用データ内の属性が条件Ｂを満たすか否かについては判定されなかったことを意味する。観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、推定用データ内の属性が満たしているか否かの判定対象となっていたのかを認識することができ、また、属性がその条件を満たしていたか否かを認識することができる。よって、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、本実施形態においても、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。また、推定精度が低い学習モデルが選択されているような場合に、観察者は、選択されていた推定精度の低い学習モデルを認識できる。
なお、第１から第４までの各実施形態において、散布図の軸は、図６等に示す例に限定されない。例えば、２つの軸が、それぞれ推定用データ内の属性に対応してもよい。具体例を挙げて説明する。例えば、推定器１２（図１参照）が、推定用データに含まれる属性のうち、少なくとも、車両の交通量の測定値および空気中のＮＯｘ濃度の測定値を用いて、学習モデルを選択し、交通量およびＮＯｘ濃度の測定地点が「都会」か「田舎」かを推定（判別）しているとする。この場合、表示手段４は、車両の交通量に対応する軸と、空気中のＮＯｘ濃度に対応する軸とを有する散布図を表示してもよい。この場合、表示手段４が散布図内のシンボルを定める態様は、例えば、表示手段４が判別結果（都会か田舎か）に応じてシンボルを定め、かつ、判別に用いられた学習モデルに応じてシンボルを定める等の態様であってもよい。例えば、表示手段４は、判別結果（都会か田舎か）に応じてシンボルの形状を変えて、判別に用いられた学習モデルに応じて色または線種を変える等としてもよい。図３１は、このような表示態様の一具体例を示す図である。
実施形態５．
本発明の第５の実施形態の推定結果表示システムは、第２の実施形態の推定結果表示システムと同様に、図８に示すブロック図で表すことができるので、図８を用いて第５の実施形態を説明する。
第５の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える（図８参照）。
入力手段２には、推定用データ内の一種類以上の属性が一種類以上の条件を満たしているか否かの判定結果に応じて推定器１２によって選択された学習モデルを表す情報と、その学習モデルによって導出された推定結果と、その推定用データとが対応付けられた情報（推定結果データ）が、複数組、入力される。ここでは、推定結果が値として算出されている場合を例にして説明する。従って、推定結果を推定値と称してもよい。また、実測値の変化を表示しない場合には、各組において、実測値の情報は含まれていなくてよい。本実施形態では、説明を簡単にするために、実測値の情報が入力されない場合を例にして説明する。
また、入力手段２には、推定器１２が学習モデルを選択するときに用いた選択モデルも入力される。推定結果表示システム１は、一度入力された選択モデルを記憶装置（図８において図示略。）に記憶させておけばよい。なお、本実施形態では、選択モデルの表示用データは、入力手段２に入力されなくてよい。本実施形態では、木構造グラフ４１（図６等参照）や選択モデル図４２（図１４参照）を表示しなくてよいためである。
条件特定手段３は、第２の実施形態における条件特定手段３と同様である。
第５の実施形態では、表示手段４は、推定結果を表すシンボルを所定の順に並べた第１のグラフ７１と、推定結果に対応する学習モデルを表すシンボルを所定の順に並べた第２のグラフ７２とを表示する。第１のグラフ７１は、推定結果の変化を示すグラフであり、第２のグラフ７２は、選択された学習モデルの変化を示すグラフである。
図１６は、第５の実施形態において表示手段４によって表示されるグラフの初期状態の例を示す模式図である。第１のグラフ７１の横軸および第２のグラフ７２の横軸は、学習モデルを示す情報および推定結果等が対応付けられた組の順序を表す軸である。図１６では、この順序が時刻によって表され、第１のグラフ７１の横軸および第２のグラフ７２の横軸がそれぞれ時刻を表している場合を例示している。この場合、入力手段２に入力される学習モデルを示す情報や推定結果に、対応する時刻の情報が付加されていればよい。あるいは、学習モデルを表す情報と、推定結果と、推定用データとが対応付けられた情報との組（推定結果データ）が、推定結果に対応する時刻順に入力手段２に入力されてもよい。
第１のグラフ７１の横軸および第２のグラフ７２の横軸は、時刻を表す軸でなくてもよく、例えば、推定結果データの入力順序を表す軸であってもよい。
第１のグラフ７１の縦軸は、推定結果に対応する軸である。第２のグラフ７２の縦軸は、学習モデルの種類に対応する軸であり、学習モデルの各識別情報を座標として有する。
表示手段４は、推定結果を表す各シンボルを所定の順（本例では、推定結果に対応する時刻の順）に並べた第１のグラフ７１を表示する。より具体的には、表示手段４は、推定結果を表す各シンボルを、所定の順（本例では、推定結果に対応する時刻の順）に横軸に合わせて並べつつ、値として算出されている各推定結果が縦軸方法の座標となるように、第１のグラフ７１内に配置する。換言すれば、表示手段４は、推定結果を表すシンボルを、その推定結果の順序（例えば、時刻で表される順序）をｘ座標（横軸方向の座標）とし、その推定結果をｙ座標（縦軸方向の座標）とする位置に配置する。推定結果を表す各シンボルの種別は共通でよい。
表示手段４は、学習モデルを表す各シンボルを上記と同じ所定の順に並べた第２のグラフ７２も表示する。より具体的には、表示手段４は、学習モデルを表す各シンボルを、上記と同じ所定の順に横軸に合わせて並べつつ、学習モデルを表す情報（すなわち、識別情報）が縦軸方向の座標となるように、第２のグラフ７２内に配置する。換言すれば、表示手段４は、学習モデルを表す情報の順序をｘ座標とし、その学習モデルを表す情報（識別情報）をｙ座標とする位置に、その学習モデルを表すシンボルを配置する。学習モデルを表すシンボルの種別は共通でよい。
なお、推定結果と、その推定結果に対応する学習モデルを表す情報には、共通の順序（本例では時刻）が割り当てられている。従って、表示手段４は、推定結果を表すシンボルと、その推定結果に対応する学習モデルを表すシンボルとを、共通のｘ座標の位置に配置する。ｘ座標が共通のシンボルの対応関係を観察者が認識しやすいように、表示手段４は、第１のグラフ７１および第２のグラフ７２を上下に並べて表示することが好ましい。
また、第１のグラフ７１および第２のグラフ７２において、シンボル間の間隔が短ければ、シンボルの並びは線として認識される。図１６では、第１のグラフ７１および第２のグラフ７２において、シンボル間の間隔が短く、シンボルの並びが線として認識される場合を例示している。
第２のグラフ７２内のいずれかのシンボルがポイント・アンド・クリックされた場合、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する。本実施形態では、表示手段４が、推定用データ内の属性がその条件を満たしていたか否かの判定結果も表示する場合を例にして説明する。図１７は、第２のグラフ７２内のシンボルがポイント・アンド・クックされたときの表示状態の例を示す。
次に、処理経過について説明する。図１８は、第５の実施形態の処理経過の例を示すフローチャートである。
入力手段２に、学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた推定用データとが対応付けられた情報が、複数組、入力される（ステップＳ４１）。入力手段２は、その組毎に、学習モデルを示す情報および推定結果を表示手段４に送り、推定用データを条件特定手段３に送る。
また、ステップＳ４１では、選択モデルも入力手段２に入力される。推定結果表示システム１は、その選択モデルを記憶装置（図８において図示略。）に記憶する。
次に、条件特定手段３は、全ての組の推定用データを選択済みであるか否かを判定する（ステップＳ４２）。推定用データが選択されていない組が残っている場合（ステップＳ４２のＮｏ）、条件特定手段３は、その組のうちの１つの組の推定用データを選択する（ステップＳ４３）。
条件特定手段３は、ステップＳ４３で選択した推定用データと、選択モデルとを用いて、その推定用データに対応する学習モデルが推定器１２で選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する（ステップＳ４４）。ステップＳ４４において、条件特定手段３は、属性が、特定した条件を満たしているか否かについても判定する。条件特定手段３は、特定した条件と、属性がその条件を満たしているか否かの判定結果とを表示手段４に送る。
ステップＳ４１〜Ｓ４４は、第２の実施形態におけるステップＳ１１〜Ｓ１４と同様である。
ステップＳ４４の後、ステップＳ４２に移行する。
全ての組の推定用データが選択済みである場合（ステップＳ４２のＹｅｓ）、表示手段４は、推定結果を表す各シンボルを、所定の順に横軸に合わせて並べつつ、各推定結果が縦軸方向の座標となるように配置した第１のグラフ７１を表示する。このとき、表示手段４は、学習モデルを表すシンボルを、所定の順に横軸に合わせて並べつつ、学習モデルを表す情報が縦軸方向の座標となるように配置した第２のグラフ７２も第１のグラフ７１とともに表示する（ステップＳ４５）。また、表示手段４は、カーソル３１を表示する。ステップＳ４５では、図１６に例示する画面が表示される。
次に、表示手段４は、第２のグラフ７２内のいずれかのシンボルがポイント・アンド・クリックされたか否かを判定する（ステップＳ４６）。第２のグラフ７２内のどのシンボルもポイント・アンド・クリックされていなければ（ステップＳ４６のＮｏ）、ステップＳ４６の判定を繰り返す。
第２のグラフ７２内のいずれかのシンボルがポイント・アンド・クリックされた場合（ステップＳ４６のＹｅｓ）、表示手段４は、そのシンボルが示す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する（ステップＳ４７）。ステップＳ４７では、図１７に例示する画面が表示される。図１７に示す例では、「条件Ａを満たさず、条件Ｂを満たしたことで学習モデル２を選択」という情報を表示している。
ステップＳ４７の後、カーソル３１がシンボルから離れた場合、表示手段４は、ステップＳ４６以降の動作を繰り返してもよい。
なお、ステップＳ４６で、表示手段４は、いずれかのシンボルがオンカーソル状態になったか否かを判定し、いずれかのシンボルがオンカーソル状態になったときにステップＳ４７に移行してもよい。
本実施形態によれば、第２のグラフ７２内のいずれかのシンボルがポイント・アンド・クリックされた場合、表示手段４は、そのシンボルが示す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する。従って、観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、推定用データ内の属性が満たしているか否かの判定対象となっていたのかを認識することができ、また、属性がその条件を満たしていたのか否かについても認識することができる。よって、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、本実施形態では、表示手段４は、対応するシンボル同士のｘ座標が共通となるように第１のグラフ７１および第２のグラフ７２を表示する。従って、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。
実施形態６．
第５の実施形態では、第１のグラフ７１と第２のグラフ７２を表示することで、推定結果を導出するときにどの学習モデルが選択されていたかを観察者に認識させる。第６の実施形態では、１つのグラフによって、推定結果を導出するときにどの学習モデルが選択されていたかを観察者に認識させる。
本発明の第６の実施形態の推定結果表示システムは、第２の実施形態の推定結果表示システムと同様に、図８に示すブロック図で表すことができるので、図８を用いて第６の実施形態を説明する。
第６の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える（図８参照）。
入力手段２および条件特定手段３は、第５の実施形態における入力手段２および条件特定手段３と同様である。
表示手段４は、推定結果をシンボルで表したグラフであって、推定結果に対応する学習モデルに応じてシンボルの種別を変えたグラフを表示する。図１９は、第６の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。図１９（ａ）は、表示された初期状態におけるグラフを示す。図１９（ｂ）は、推定結果を表すシンボルがポイント・アンド・クリックされた場合のグラフを示す。
本実施形態で表示されるグラフの横軸は、推定結果の順序を表す軸である。図１９では、グラフの横軸が時刻を表している場合を例示している。この場合、入力手段２に入力される推定結果に、対応する時刻の情報が付加されていればよい。あるいは、学習モデルを表す情報と、推定結果と、推定用データとが対応付けられた情報との組（推定結果データ）が、推定結果に対応する時刻順に入力手段２に入力されてもよい。
グラフの横軸は、時刻を表す軸でなくてもよく、例えば、推定結果データの入力順序を表す軸であってもよい。
表示手段４は、推定結果を表す各シンボルを所定の順（本例では、推定結果に対応する時刻の順）に並べたグラフを表示する。より具体的には、表示手段４は、推定結果を表す各シンボルを、所定の順（本例では、推定結果に対応する時刻の順）に横軸に合わせて並べつつ、値として算出されている各推定結果が縦軸方法の座標となるようにグラフ内に配置する。換言すれば、表示手段４は、推定結果を表すシンボルを、その推定結果の順序（例えば、時刻で表される順序）をｘ座標（横軸方向の座標）とし、その推定結果をｙ座標（縦軸方向の座標）とする位置に配置する。シンボル間の間隔が短ければ、シンボルの並びは線として認識される。図１９では、シンボル間の間隔が短く、シンボルの並びが線として認識される場合を例示している。この場合、表示手段４の動作は、推定結果の推移を表す線グラフを表示する、と表現することもできる。
また、表示手段４は、推定結果を表わすシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。すなわち、表示手段４は、学習モデル１を用いて導出された推定結果を表すシンボル、学習モデル２を用いて導出された推定結果を表すシンボル、学習モデル３を用いて導出された推定結果を表すシンボル等として、それぞれ異なるシンボルをグラフ内に配置する。推定結果導出時に選択される学習モデルの種類がさらに多い場合も同様である。表示手段４が、推定結果の推移を表す線グラフを表示する場合、表示手段４は、推定結果に対応する学習モデルに応じて線の属性を変えたグラフを表示する。
表示手段４は、学習モデルの種類によってシンボルの種別を変える場合、例えば、シンボルの色を変えてもよく、あるいは、シンボルの形を変えてもよい。シンボルの種別の変え方は、特に限定されない。また、表示手段４が、推定結果の推移を表す線グラフを表示する場合、線の属性は例えば、線の色や、線の太さや、線の種別等（例えば、実線、点線または一点鎖線等）の線の外見である。線の属性は線の外見には限定されない。例えば、第５の実施形態で例示したように、線がポイント・アンド・クリック等の操作を受けたことに応じて、表示手段４は、その線に対応する学習モデルを示す情報を表示してもよい。
表示手段４は、グラフ内のいずれかのシンボルがポイント・アンド・クリックされたときに、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する。このときの表示状態を、図１９（ｂ）に例示している。本実施形態では、表示手段４が、属性がその条件を満たしていたか否かの判定結果も表示する場合を例にして説明する。
次に、処理経過について説明する。図２０は、第６の実施形態の処理経過の例を示すフローチャートである。ステップＳ４１〜Ｓ４４は、第５の実施形態におけるステップＳ４１〜Ｓ４４と同様であり、説明を省略する。
ステップＳ４２において、全ての組の推定用データが選択済みであると判定された場合（ステップＳ４２のＹｅｓ）、表示手段４は、推定結果を表す各シンボルを、所定の順に横軸に合わせて並べつつ、各推定結果が縦軸方向の座標となるように配置したグラフであって、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変えたグラフを表示する（ステップＳ５５）。また、表示手段４は、カーソル３１を表示する。ステップＳ５５では、図１９（ａ）に例示する画面が表示される。
次に、表示手段４は、グラフ内のいずれかのシンボルがポイント・アンド・クリックされたか否かを判定する（ステップＳ５６）。どのシンボルもポイント・アンド・クリックされていなければ（ステップＳ５６のＮｏ）、ステップＳ５６の判定を繰り返す。
いずれかのシンボルがポイント・アンド・クリックされた場合（ステップＳ５６のＹｅｓ）、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する（ステップＳ５７）。ステップＳ５７では、図１９（ｂ）に例示する画面が表示される。図１９（ｂ）に示す例では、「条件Ａを満たさず、条件Ｂを満たしたことで学習モデル２を選択」という情報を表示している。
ステップＳ５７の後、カーソル３１がシンボルから離れた場合、表示手段４は、ステップＳ５６以降の動作を繰り返してもよい。
なお、ステップＳ５６で、表示手段４は、いずれかのシンボルがオンカーソル状態になったか否かを判定し、いずれかのシンボルがオンカーソル状態になったときにステップＳ５７に移行してもよい。
本実施形態においても、第５の実施形態と同様に、観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、推定用データ内の属性が満たしているか否かの判定対象となっていたのかを認識することができ、また、属性がその条件を満たしていたのか否かについても認識することができる。よって、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、本実施形態では、表示手段４は、推定結果を表わすシンボルの種別を、その推定結果に対応する学習モデルに応じて変える。従って、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。
次に、第６の実施形態の変形例について説明する。第６の実施形態では、表示手段４は、シンボルがポイント・アンド・クリックされた場合等に、図１９（ｂ）に例示するように、情報を表示する。この情報を、シンボルの種別を示す凡例内に表示してもよい。例えば、第６の実施形態では、表示手段４は、図２１に示すグラフをステップＳ５５で表示してもよい。この場合、表示手段４は、図２０に示すステップＳ５６以降の処理を実行しなくてよい。また、上記のような第６の実施形態の変形例では、カーソル操作手段７は設けられていなくてよい。
実施形態７．
第７の実施形態も、１つのグラフによって、推定結果を導出するときにどの学習モデルが選択されていたかを観察者に認識させる。
本発明の第７の実施形態の推定結果表示システムは、第２の実施形態の推定結果表示システムと同様に、図８に示すブロック図で表すことができるので、図８を用いて第７の実施形態を説明する。
第６の実施形態の推定結果表示システム１は、入力手段２と、条件特定手段３と、表示手段４と、カーソル操作手段７とを備える（図８参照）。
入力手段２および条件特定手段３は、第５の実施形態や第６の実施形態における入力手段２および条件特定手段３と同様である。
表示手段４は、推定結果をシンボルで表したグラフを表示する。図２２は、第７の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。図２２（ａ）は、表示された初期状態におけるグラフを示す。図２２（ｂ）は、定結果を表すシンボルがポイント・アンド・クリックされた場合のグラフを示す。
本実施形態で表示されるグラフの横軸は、推定結果の順序を表す軸である。図２２では、グラフの横軸が時刻を表している場合を例示している。この場合、入力手段２に入力される推定結果に、対応する時刻の情報が付加されていればよい。あるいは、学習モデルを表す情報と、推定結果と、推定用データとが対応付けられた情報との組（推定結果データ）が、推定結果に対応する時刻順に入力手段２に入力されてもよい。
グラフの横軸は、時刻を表す軸でなくてもよく、例えば、推定結果データの入力順序を表す軸であってもよい。
表示手段４は、推定結果を表す各シンボルを所定の順（本例では、推定結果に対応する時刻の順）に並べたグラフを表示する。より具体的には、表示手段４は、推定結果を表す各シンボルを、所定の順（本例では、推定結果に対応する時刻の順）に横軸に合わせて並べつつ、値として算出されている各推定結果が縦軸方法の座標となるようにグラフ内に配置する。換言すれば、表示手段４は、推定結果を表すシンボルを、その推定結果の順序（例えば、時刻で表される順序）をｘ座標（横軸方向の座標）とし、その推定結果をｙ座標（縦軸方向の座標）とする位置に配置する。シンボル間の間隔が短ければ、シンボルの並びは線として認識される。図２２では、シンボル間の間隔が短く、シンボルの並びが線として認識される場合を例示している。
ここで述べた表示手段４の動作は、第６の実施形態における表示手段４の動作と同様である。ただし、第７の実施形態では、第６の実施形態と異なり、表示手段４は、全てのシンボルの種別を共通とする。
また、第７の実施形態において、表示手段４は、シンボルが示す推定結果に対応する学習モデルに応じて、グラフ内の領域を区分して表示する。以下、この動作を説明する。
シンボルは、横軸方向に並んでいる。横軸方向に隣接する２つのシンボルが示す推定結果に対応する学習モデルが異なっている場合、表示手段４は、その２つのシンボル間に、横軸に垂直な境界線を表示する。例えば、あるシンボル（Ｐとする。）が示す推定結果に対応する学習モデルが「学習モデル１」であるとする。シンボルＰの次のシンボル（Ｑとする。）が示す推定結果に対応する学習モデルが「学習モデル２」であるとする。この場合、表示手段４は、シンボルＰ，Ｑ間に、横軸に垂直な境界線を表示する。図２２では、境界線を破線で示している。
また、表示手段４は、端点となるシンボルの近傍にも、境界線を表示してもよい（図２２参照）。
隣接する２本の境界線に挟まれた領域内の各シンボルは、共通の学習モデルを用いて導出された推定結果を表している。従って、隣接する２本の境界線に挟まれた領域は、それぞれ、１つの学習モデルに対応している。表示手段４は、隣接する２本の境界線に挟まれた領域を、その領域に対応する学習モデルに応じた態様で表示する。図２２に示す例では、表示手段４は、隣接する２本の境界線に挟まれた領域内に、その領域に対応する学習モデルを表す識別番号を表示する場合を例示している。図２２に示すグラフ内には、隣接する２本の境界線に挟まれた領域が４つ存在するが、左側の領域から、「学習モデル１」、「学習モデル２」、「学習モデル１」、「学習モデル３」に対応していることが分かる。
あるいは、表示手段４は、隣接する２本の境界線に挟まれた領域を、その領域に対応する学習モデルに応じた背景色で表示してもよい。例えば、表示手段４は、「学習モデル１」に対応する領域の背景色を赤としたり、「学習モデル２」に対応する領域の背景色を青としたりすることによって、各領域に対応する学習モデルを提示してもよい。
個々の領域の表示態様を学習モデルの種別によってどのように変えるかは、特に限定されない。
表示手段４は、グラフ内のいずれかのシンボルがポイント・アンド・クリックされると、表示手段４は、そのシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する。このときの表示状態を、図２２（ｂ）に例示している。本実施形態では、表示手段４が、属性がその条件を満たしていたか否かの判定結果も表示する場合を例にして説明する。
次に、処理経過について説明する。図２３は、第７の実施形態の処理経過の例を示すフローチャートである。ステップＳ４１〜Ｓ４４は、第５の実施形態や第６の実施形態におけるステップＳ４１〜Ｓ４４と同様であり、説明を省略する。
ステップＳ４２において、全ての組の推定用データが選択済みであると判定された場合（ステップＳ４２のＹｅｓ）、表示手段４は、推定結果を表す各シンボルを、所定の順に横軸に合わせて並べつつ、各推定結果が縦軸方向の座標となるように配置したグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて、グラフ内の領域を区分して表示する（ステップＳ６５）。また、表示手段４は、カーソル３１を表示する。ステップＳ６５では、図２２（ａ）に例示する画面が表示される。
次のステップＳ５６、Ｓ５７は、第６の実施形態におけるステップＳ５６、Ｓ５７と同様である。ただし、ステップＳ５７では、ステップＳ６５で表示したグラフとともに、ポイント・アンド・クリックされたシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件と、属性がその条件を満たしていたか否かの判定結果を表示する。第７の実施形態におけるステップＳ５７では、図２２（ｂ）に例示する画面が表示される。
ステップＳ５７の後、カーソル３１がシンボルから離れた場合、表示手段４は、ステップＳ５６以降の動作を繰り返してもよい。
なお、ステップＳ５６で、表示手段４は、いずれかのシンボルがオンカーソル状態になったか否かを判定し、いずれかのシンボルがオンカーソル状態になったときにステップＳ５７に移行してもよい。
本実施形態においても、第５の実施形態や第６の実施形態と同様に、観察者は、推定結果導出に用いられた学習モデルの選択時に、どの条件が、推定用データ内の属性が満たしているか否かの判定対象となっていたのかを認識することができ、また、属性がその条件を満たしていたのか否かについても認識することができる。よって、観察者は、学習モデルの選択結果の要因となる条件を認識することができる。
また、表示手段４は、シンボルが示す推定結果に対応する学習モデルに応じて、グラフ内の領域を区分して表示する。従って、観察者は、シンボルが表す推定結果を導出するときにどの学習モデルが選択されていたのかを認識できる。
実施形態８．
図２４は、本発明の第８の実施形態の推定結果表示システムの構成例を示すブロック図である。第８の実施形態の推定結果表示システム１は、入力手段２と、表示手段４とを備える。
入力手段２には、推定用データ内の一種類以上の属性が一種類以上の条件を満たしているか否かの判定結果に応じて推定器１２によって選択された学習モデルを表す情報と、その学習モデルによって導出された推定結果と、その推定用データとが対応付けられた情報（推定結果データ）が、複数組、入力される。ここでは、推定結果が値として算出されている場合を例にして説明する。従って、推定結果を推定値と称してもよい。
また、入力手段２には、推定器１２が学習モデルを選択するときに用いた選択モデルも入力される。推定結果表示システム１は、一度入力された選択モデルを記憶装置（図２４において図示略。）に記憶させておけばよい。本実施形態では、図２に例示する選択モデルが入力される場合を例にして説明する。
第８の実施形態では、表示手段４は、第５の実施形態における第１のグラフ７１および第２のグラフ７２と同様のグラフとともに、推定用データ内の各属性の値の変化を表すグラフ（以下、第３のグラフと記す。）も表示する。
図２５は、第８の実施形態において表示手段４によって表示されるグラフの例を示す模式図である。表示手段４が第１のグラフ７１および第２のグラフ７２を表示する動作は、第５の実施形態において表示手段４が第１のグラフ７１および第２のグラフ７２を表示する動作と同様であり、説明を省略する。
上記のように、第３のグラフ７３は、推定用データ内の各属性の値の変化を表すグラフである。図２５では、属性として気温および降水量を含む推定用データが入力され、表示手段４が、気温の変化および降水量の変化を表すグラフを第３のグラフ７３として表示する場合を例示している。また、図２５では、第３のグラフ７３を、属性の値が属する範囲に応じた色または模様で表すヒートマップ形式で表す場合を例示している。
第３のグラフ７３の横軸は、第１のグラフ７１の横軸および第２のグラフ７２の横軸と共通である。すなわち、表示手段４は、推定結果を表すシンボルと、その推定結果に対応する学習モデルを表すシンボルと、その推定結果に対応する推定用データ内の各属性の値を表す色または模様のｘ座標を共通にする。なお、図２５では、第１から第３までの各グラフの横軸がいずれも時刻を表している場合を例示している。なお、第５の実施形態で説明したように、各グラフの横軸は、時刻を表す軸でなくてもよい。
また、図２５に示すように、表示手段４は、第３のグラフ７３で用いる色や模様の凡例を表示してもよい。このとき、表示手段４は、選択モデル内で条件を示す各ノードを参照し、属性の値の範囲を区分するときの複数の境界値の一つとして、その条件で用いられる値を用いる。
例えば、図２に例示する選択モデルには、「気温が２０℃以上であるという条件」を示すノードが存在する。よって、表示手段４は、第３のグラフ７３内で、気温の変化をヒートマップ形式で表す場合に、気温の範囲の複数の境界値のうちの１つとして２０℃を用いる。図２５に示す例では、気温の範囲を１５℃未満の範囲、１５℃以上２０℃未満の範囲、および、２０℃以上の範囲に区分しており、「２０℃」を境界値のうちの１つとして用いている。
また、例えば、図２に例示する選択モデルには、「降水量が１０ｍｍ／ｈ以上であるという条件」を示すノードが存在する。よって、表示手段４は、第３のグラフ７３内で、降水量の変化をヒートマップ形式で表す場合に、降水量の範囲の複数の境界値のうちの１つとして１０ｍｍ／ｈを用いる。図２５に示す例では、降水量の範囲を０ｍｍ／ｈ以上５ｍｍ／ｈ未満の範囲、５ｍｍ／ｈ以上１０ｍｍ／ｈ未満の範囲、および１０ｍｍ／ｈ以上の範囲に区分しており、「１０ｍｍ／ｈ」を境界値のうちの１つとして用いている。
また、表示手段４は、第２のグラフ７２において、学習モデルの種類を表す縦軸の各座標値と対応付けて、個々の種別の学習モデルが選択されるための属性の範囲に応じた色または模様を表示してもよい。表示手段４は、選択モデルの各葉ノードからルートノードへ辿ることによって、個々の種別の学習モデルが選択されるための属性の範囲を特定すればよい。
例えば、表示手段４は、図２に示す選択モデルにおいて、学習モデル１を示す葉ノードからルートノードに辿ることによって、学習モデル１が選択されるための属性の範囲が、「気温２０℃以上」であることを特定する。そして、表示手段４は、「気温２０℃以上」を表す色または模様のアイコン７５を、第２のグラフ７２の縦軸の座標「１」の近傍に表示する。
また、例えば、表示手段４は、図２に示す選択モデルにおいて、学習モデル２を表す葉ノードからルートノードに辿ることによって、学習モデル２が選択されるための属性の範囲が、「降水量１０ｍｍ／ｈ以上」であり、「気温２０℃未満」であることを特定する。そして、表示手段４は、「降水量１０ｍｍ／ｈ以上」を表す色または模様のアイコン７６を、第２のグラフ７２の縦軸の座標「２」の近傍に表示する。なお、「気温２０℃未満」に対応する色または模様は複数存在する。図２５に示す例では、属性の範囲が複数種類の色または模様に対応することを表すアイコンとして、無模様の白色のアイコン７７を表示する場合を例示している。
次に、処理経過について説明する。図２６は、第８の実施形態の処理経過の例を示すフローチャートである。
入力手段２に、学習モデルを表す情報と、その学習モデルによって導出された推定結果と、学習モデルの選択時に用いられた推定用データとが対応付けられた情報が、複数組、入力される（ステップＳ７１）。入力手段２は、入力された各組の情報を表示手段４に送る。
また、ステップＳ７１では、選択モデルも入力手段２に入力される。推定結果表示システム１は、その選択モデルを記憶装置（図２４において図示略。）に記憶する。
次に、表示手段４は、第１のグラフ７１および第２のグラフ７２を表示するとともに、推定用データ内の各属性の値の変化を表す第３のグラフ７３を表示する（ステップＳ７２）。表示手段４が第１のグラフ７１および第２のグラフ７２を表示する動作は、第５の実施形態で第１のグラフ７１および第２のグラフ７２を表示する動作と同様である。ステップＳ７２では、図２５に例示する画面が表示される。なお、第８の実施形態および後述する変形例では、ポイント・アンド・クリック等に応じた表示を行う必要がないので、表示手段４は、ステップＳ７２でカーソルを表示しなくてよい。
表示手段４は、推定用データ内の属性の種類毎に、属性の値が属する範囲に応じた色または模様を表すヒートマップ形式のグラフを表示することによって、第３のグラフ７３を表示すればよい。ただし、第３のグラフ７３は、ヒートマップ形式のグラフでなくてもよい。例えば、第３のグラフ７３は、属性の値の変化を示す折れ線グラフ等であってもよい。
ステップＳ７２において、表示手段４は、第１から第３までの各グラフの横軸を共通とする。また、表示手段４は、第１から第３までの各グラフを上段、中段、下段に並べて表示することが好ましい。
また、表示手段４は、選択モデル内で条件を示す各ノードを参照し、属性の値の範囲を区分するときの境界値の一つとして、その条件で用いられる値を用いる。この点については、既に説明したので、ここでは説明を省略する。
また、表示手段４は、アイコン７５〜７７等を表示してもよい（図２５参照）。
なお、本実施形態において、学習モデルの種類を表す縦軸の各座標値と対応付けたアイコン７５〜７７等を表示しなくてもよい。また、「気温が２０℃以上であるという条件」等の条件に含まれる値を、属性の値の範囲を区分する際の境界値として用いなくてもよい。表示手段４がアイコン７５〜７７等を表示せず、また、条件に含まれる値を境界値として用いない場合には、ステップＳ７１で入力手段２に選択モデルが入力されなくてもよい。また、本実施形態において、表示手段４は、学習モデルの選択に用いられた属性以外の属性に関しても、第３のグラフ７３で属性の値の変化を表示してもよい。この点は、後述する本実施形態の変形例でも同様である。
本実施形態によれば、第１のグラフ７１および第２のグラフ７２とともに、推定用データ内の属性の値の変化を表す第３のグラフ７３を表す。従って、観察者は、推定値と、その推定値の導出に用いた学習モデルと、その学習モデルを選択する際に用いられた各属性とを対応付けて観察することができる。従って、観察者は、個々の学習モデルが選択されたときの属性の傾向を推測できる。
また、属性の値の範囲を区分するときの境界値を、選択モデル内の条件で用いられる値に対応させることにより、第２のグラフ７２において学習モデルが切り替わる位置と、第３のグラフ７３においてヒートマップにおける色や模様が切り替わる位置が揃う。これにより、観察者は、推定値と、その推定値の導出に用いた学習モデルと、その学習モデルを選択する際に用いられた各属性とを、より容易に把握することができる。すなわち、第２のグラフ７２において、あるタイミングにおいて、ある学習モデルから他の学習モデルに切り替わった際に、学習モデルが切り替わった原因がどの属性の値によるものであるのかを観察は容易に把握することができる。
また、本実施の形態においても、第５の実施形態と同様に、観察者は、推定結果を導出するときにどの学習モデルが選択されていたかを認識できる。
次に、第８の実施形態の変形例を示す。上記の第８の実施形態では、表示手段４が、第１のグラフ７１および第２のグラフ７２とともに第３のグラフ７３を表示する場合を示した。第８の実施形態の第１の変形例では、第１のグラフ７１および第２のグラフ７２の代わりに、第６の実施形態で表示されるグラフ（図１９（ａ）参照）を表示してもよい。図２７は、第８の実施形態の第１の変形例で表示される画面の例を示す説明図である。なお、以下の説明では、第３のグラフ７３を属性グラフ７３と記す。
表示手段４は、ステップＳ７２で、第１のグラフ７１および第２のグラフ７２の代わりに、図２７に例示するグラフ８１を表示すればよい。表示手段４は、グラフ８１を表示する場合、第６の実施形態と同様に、推定結果を表す各シンボルを、所定の順に横軸に合わせて並べつつ、各推定結果が縦軸方向の座標となるように配置したグラフであって、推定結果を表すシンボルの種別をその推定結果に対応する学習モデルに応じて変えたグラフを表示すればよい。また、表示手段４が属性グラフ７３を表示する動作は、第８の実施形態で表示手段４が第３のグラフ７３を表示する動作と同様である。
表示手段４は、図２７に例示するグラフ８１の横軸と、属性グラフ７３の横軸とを共通とする。そして、推定結果を表すグラフ８１内のシンボルと、その推定結果に対応する各推定用データの値を表す色または模様のｘ座標を共通にする。
上記のような第８の実施形態の第１の変形例においても、第８の実施形態と同様の効果が得られる。
また、第８の実施形態の第２の変形例では、第１のグラフ７１および第２のグラフ７２の代わりに、第７の実施形態で表示されるグラフ（図２２（ａ）参照）を表示してもよい。図２８は、第８の実施形態の第２の変形例で表示される画面の例を示す説明図である。
表示手段４は、ステップＳ７２で、第１のグラフ７１および第２のグラフ７２の代わりに、図２８に例示するグラフ８２を表示すればよい。表示手段４は、グラフ８２を表示する場合、第７の実施形態と同様に、推定結果を表す各シンボルを、所定の順に横軸に合わせて並べつつ、各推定結果が縦軸方向の座標となるように配置したグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて、グラフ内の領域を区分して表示すればよい。また、表示手段４が属性グラフ７３を表示する動作は、第８の実施形態で表示手段４が第３のグラフ７３を表示する動作と同様である。
表示手段４は、図２８に例示するグラフ８２の横軸と、属性グラフ７３の横軸とを共通とする。そして、推定結果を表すグラフ８２内のシンボルと、その推定結果に対応する各属性の値を表す色または模様のｘ座標を共通にする。
上記のような第８の実施形態の第２の変形例においても、第８の実施形態と同様の効果が得られる。
なお、上記のような第８の実施形態の各変形例でも、表示手段４は、選択モデル内で条件を示す各ノードを参照し、属性の値の範囲を区分するときの境界値の一つとして、その条件で用いられる値を用いてもよい。
また、第８の実施形態の変形例では、表示手段４は、第２のグラフ７２を表示しないので、アイコン７５〜７７（図２５参照）を表示しなくてよい。
図２９は、本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。
各実施形態の推定結果表示システム１は、コンピュータ１０００に実装される。推定結果表示システム１の動作は、プログラム（推定結果表示プログラム）の形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って上記の処理を実行する。
補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。
また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。
次に、本発明の概要について説明する。図３０は、本発明の推定結果表示システムの概要を示すブロック図である。本発明の推定結果表示システムは、入力手段９１と、表示手段９２とを備える。
入力手段９１（例えば、入力手段２）には、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果とが対応付けられた情報が入力される。
表示手段９２（例えば、表示手段４）は、推定結果と、学習モデルを表す情報と、その学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件とを合わせて表示する。
そのような構成により、学習モデルを用いて導出された推定結果を表示する場合に、その学習モデルがどのような条件判断がなされた結果選択されたのかを、人間が認識できる。
また、入力手段２には、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、学習モデルによって導出された推定結果と、推定用データとが対応付けられた情報が入力されてもよい。
そして、表示手段４は、推定結果の変化および学習モデルの変化を表示するとともに、推定用データ内の属性の変化を示すグラフを表示してもよい。
そのような構成により、個々の学習モデルが選択されたときの推定用データ内の属性の傾向を人間が推測できる。
上記の実施形態は、以下の付記のようにも記載され得るが、以下に限定されるわけではない。
（付記１）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段と、前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示手段とを備えることを特徴とする推定結果表示システム。
（付記２）前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、かつ、前記学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を前記シンボル上で表す付記１に記載の推定結果表示システム。
（付記３）前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記４）前記入力手段に、学習モデルを選択するための選択モデルの表示用データとして、葉ノードが学習モデルを表し、葉ノード以外の各ノードが推定用データ内の属性に対する条件を表す木構造のグラフの表示用データが入力され、前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、前記木構造のルートノードから、前記選択操作を受けたシンボルが示す推定結果に対応する学習モデルまでの経路を強調表示した木構造のグラフを表示する付記１に記載の推定結果表示システム。
（付記５）前記入力手段に、学習モデルを選択するための選択モデルの表示用データとして、推定用データ内の属性に対する条件を複数の軸に割り当て、前記軸によって規定される空間内に、前記条件に応じた学習モデルを表した表示用データが入力され、前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、前記選択操作を受けたシンボルが示す推定結果に対応する学習モデルに該当する前記空間内の箇所を強調表示する付記１に記載の推定結果表示システム。
（付記６）前記表示手段は、推定結果を表すシンボルを所定の順に並べた第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを前記所定の順に並べた第２のグラフを表示し、前記第２のグラフ中のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記７）前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフであって、推定結果に対応する学習モデルに応じてシンボルの種別を変えたグラフを表示し、いずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記８）前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて前記グラフ内の領域を区分して表示し、いずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記９）前記入力手段には、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとを対応付けた情報、および、学習モデルを選択するための選択モデルが入力され、前記推定用データと、前記選択モデルとを用いて、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する条件特定手段を備える付記１から付記８のうちのいずれかに記載の推定結果表示システム。
（付記１０）前記表示手段は、前記推定結果の値を、前記シンボルが位置する座標によって表した散布図を表示する付記１から付記５のうちのいずれかに記載の推定結果表示システム。
（付記１１）前記表示手段は、前記推定結果を、前記シンボルの種別によって表した散布図を表示する付記１から付記５のうちのいずれかに記載の推定結果表示システム。
（付記１２）前記表示手段は、推定結果の時系列推移を表す線グラフである第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを所定の順に並べた第２のグラフを表示し、前記第２のグラフ中のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記１３）前記表示手段は、推定結果の時系列推移を表す線グラフであって、推定結果に対応する学習モデルに応じて線の属性を変えたグラフを表示し、前記線グラフにおける線上の箇所が選択操作を受けた場合に、当該選択操作を受けた箇所が表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記１４）前記表示手段は、推定結果の時系列推移を表す線グラフを表示するともに、推定結果に対応する学習モデルに応じて前記線グラフ内の領域を区分して表示し、前記線グラフにおける線上の箇所が選択操作を受けた場合に、当該選択操作を受けた箇所が表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する付記１に記載の推定結果表示システム。
（付記１５）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報が入力される入力手段と、推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示する表示手段とを備えることを特徴とする推定結果表示システム。
（付記１６）前記表示手段は、推定用データ内の属性の経時変化を示すグラフとして、属性の値の範囲に応じた色または模様を表すヒートマップ形式のグラフを表示し、属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いる付記１５に記載の推定結果表示システム。
（付記１７）前記表示手段は、推定結果を表すシンボルを所定の順に並べた第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを前記所定の順に並べた第２のグラフを表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する付記１５または付記１６に記載の推定結果表示システム。
（付記１８）前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフであって、推定結果に対応する学習モデルに応じてシンボルの種別を変えたグラフを表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する付記１５または付記１６に記載の推定結果表示システム。
（付記１９）前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて前記グラフ内の領域を区分して表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する付記１５または付記１６に記載の推定結果表示システム。
（付記２０）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報の入力を受け付け、前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示することを特徴とする推定結果表示方法。
（付記２１）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報の入力を受け付け、推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示することを特徴とする推定結果表示方法。
（付記２２）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、前記コンピュータに、前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示処理を実行させるための推定結果表示プログラム。
（付記２３）一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、前記コンピュータに、推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示する表示処理を実行させるための推定結果表示プログラム。
また、図６、図９、図１１および図１４に示す例は、推定結果と実測値とを対比して提示する表示例である。このような例において、推定結果表示システム１は、観察者から選択モデル内の条件等の修正を受け付ける手段を備えていてもよい。例えば、ある学習モデルを用いて導出された推定結果が実測値から外れている場合を想定する。この場合、観察者は、散布図上のシンボルをポイント・アンド・クリックして選択モデルを見直し、選択モデルまたは学習モデルの変更操作を行う。そして、変更後の選択モデルおよび学習モデルを用いた推定処理が行われ、推定結果が表示される。すると、観察者は、推定結果を表わすシンボルが散布図内でｙ＝ｘに近づいていることを確認することで、推定精度が高くなったと認識できる。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１４年１０月２８日に出願された日本特許出願２０１４−２１９５６４を基礎とする優先権を主張し、その開示の全てをここに取り込む。
産業上の利用の可能性
本発明は、学習モデルを用いて導出された推定結果を表示する推定結果表示システムに好適に適用される。
１ 推定結果表示システム
２ 入力手段
３ 条件特定手段
４ 表示手段
７ カーソル操作手段

Claims (22)

  1. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段と、
    前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示手段とを備える
    ことを特徴とする推定結果表示システム。
  2. 前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、かつ、前記学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を前記シンボル上で表す
    請求項１に記載の推定結果表示システム。
  3. 前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが示す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  4. 前記入力手段に、学習モデルを選択するための選択モデルの表示用データとして、葉ノードが学習モデルを表し、葉ノード以外の各ノードが推定用データ内の属性に対する条件を表す木構造のグラフの表示用データが入力され、
    前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、前記木構造のルートノードから、前記選択操作を受けたシンボルが示す推定結果に対応する学習モデルまでの経路を強調表示した木構造のグラフを表示する
    請求項１に記載の推定結果表示システム。
  5. 前記入力手段に、学習モデルを選択するための選択モデルの表示用データとして、推定用データ内の属性に対する条件を複数の軸に割り当て、前記軸によって規定される空間内に、前記条件に応じた学習モデルを表した表示用データが入力され、
    前記表示手段は、推定結果をシンボルで表した散布図を表示するとともに、学習モデルに応じて前記シンボルの種別を変え、前記散布図内のいずれかのシンボルが選択操作を受けた場合に、前記選択操作を受けたシンボルが示す推定結果に対応する学習モデルに該当する前記空間内の箇所を強調表示する
    請求項１に記載の推定結果表示システム。
  6. 前記表示手段は、推定結果を表すシンボルを所定の順に並べた第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを前記所定の順に並べた第２のグラフを表示し、前記第２のグラフ中のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  7. 前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフであって、推定結果に対応する学習モデルに応じてシンボルの種別を変えたグラフを表示し、いずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  8. 前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて前記グラフ内の領域を区分して表示し、いずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  9. 前記入力手段には、一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとを対応付けた情報、および、学習モデルを選択するための選択モデルが入力され、
    前記推定用データと、前記選択モデルとを用いて、学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を特定する条件特定手段を備える
    請求項１から請求項８のうちのいずれか１項に記載の推定結果表示システム。
  10. 前記表示手段は、前記推定結果の値を、前記シンボルが位置する座標によって表した散布図を表示する
    請求項２から請求項５のうちのいずれか１項に記載の推定結果表示システム。
  11. 前記表示手段は、前記推定結果を、前記シンボルの種別によって表した散布図を表示する
    請求項２から請求項５のうちのいずれか１項に記載の推定結果表示システム。
  12. 前記表示手段は、推定結果の時系列推移を表す線グラフである第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを所定の順に並べた第２のグラフを表示し、前記第２のグラフ中のいずれかのシンボルが選択操作を受けた場合に、当該選択操作を受けたシンボルが表す学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  13. 前記表示手段は、推定結果の時系列推移を表す線グラフであって、推定結果に対応する学習モデルに応じて線の属性を変えたグラフを表示し、前記線グラフにおける線上の箇所が選択操作を受けた場合に、当該選択操作を受けた箇所が表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  14. 前記表示手段は、推定結果の時系列推移を表す線グラフを表示するとともに、推定結果に対応する学習モデルに応じて前記線グラフ内の領域を区分して表示し、前記線グラフにおける線上の箇所が選択操作を受けた場合に、当該選択操作を受けた箇所が表す推定結果に対応する学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を表示する
    請求項１に記載の推定結果表示システム。
  15. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報が入力される入力手段と、
    推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示する表示手段とを備え、
    前記表示手段は、前記グラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示し、
    属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いる
    ことを特徴とする推定結果表示システム。
  16. 前記表示手段は、推定結果を表すシンボルを所定の順に並べた第１のグラフとともに、推定結果に対応する学習モデルを表すシンボルを前記所定の順に並べた第２のグラフを表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する
    請求項１５に記載の推定結果表示システム。
  17. 前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフであって、推定結果に対応する学習モデルに応じてシンボルの種別を変えたグラフを表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する
    請求項１５に記載の推定結果表示システム。
  18. 前記表示手段は、推定結果を表すシンボルを所定の順に並べたグラフを表示するとともに、シンボルが示す推定結果に対応する学習モデルに応じて前記グラフ内の領域を区分して表示することによって、推定結果の経時変化および学習モデルの経時変化を表示する
    請求項１５に記載の推定結果表示システム。
  19. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報の入力を受け付け、
    前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する
    ことを特徴とする推定結果表示方法。
  20. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報の入力を受け付け、
    推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示し、
    前記グラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示し、
    属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いる
    ことを特徴とする推定結果表示方法。
  21. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果とが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、
    前記コンピュータに、
    前記推定結果に、前記推定結果を導出するのに用いられた前記学習モデルを表す情報、および、当該学習モデルが選択されたときに推定用データ内の属性が満たしているか否かの判定対象となっていた条件を、関連付けて表示する表示処理
    を実行させるための推定結果表示プログラム。
  22. 一種類以上の属性を含む推定用データ内の属性が一種類以上の条件を満たしているか否かの判定結果に応じて選択された学習モデルを表す情報と、前記学習モデルによって導出された推定結果と、前記推定用データとが対応付けられた情報が入力される入力手段を備えるコンピュータに搭載される推定結果表示プログラムであって、
    前記コンピュータに、
    推定結果の経時変化および学習モデルの経時変化を表示するとともに、前記推定用データ内の属性の経時変化を示すグラフを表示する表示処理を実行させ、
    前記表示処理で、前記グラフとして、属性の値の範囲に応じて異なる態様を表すグラフを表示させ、
    属性の値の範囲の複数の境界値の１つとして、学習モデルの選択時に用いられる条件で用いられる値を用いさせる
    ための推定結果表示プログラム。
JP2016556179A 2014-10-28 2015-04-30 推定結果表示システム、推定結果表示方法および推定結果表示プログラム Active JP6565925B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014219564 2014-10-28
JP2014219564 2014-10-28
PCT/JP2015/002296 WO2016067483A1 (ja) 2014-10-28 2015-04-30 推定結果表示システム、推定結果表示方法および推定結果表示プログラム

Publications (2)

Publication Number Publication Date
JPWO2016067483A1 JPWO2016067483A1 (ja) 2017-09-14
JP6565925B2 true JP6565925B2 (ja) 2019-08-28

Family

ID=55856859

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016556179A Active JP6565925B2 (ja) 2014-10-28 2015-04-30 推定結果表示システム、推定結果表示方法および推定結果表示プログラム

Country Status (4)

Country Link
US (1) US10867251B2 (ja)
EP (1) EP3214585A4 (ja)
JP (1) JP6565925B2 (ja)
WO (1) WO2016067483A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018045360A (ja) * 2016-09-13 2018-03-22 アズビル株式会社 ヒートマップ表示装置およびヒートマップ表示方法
WO2018117662A1 (en) 2016-12-22 2018-06-28 Samsung Electronics Co., Ltd. Apparatus and method for processing image
WO2018131311A1 (ja) * 2017-01-10 2018-07-19 日本電気株式会社 センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム
WO2019026703A1 (ja) * 2017-07-31 2019-02-07 株式会社エイシング 学習済モデル統合方法、装置、プログラム、ｉｃチップ、及びシステム
WO2020105161A1 (ja) * 2018-11-22 2020-05-28 株式会社ウフル エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス
JP7411977B2 (ja) * 2019-07-05 2024-01-12 国立研究開発法人物質・材料研究機構 機械学習支援方法及び機械学習支援装置
JP7309533B2 (ja) 2019-09-06 2023-07-18 株式会社日立製作所 モデル改善支援システム
JP7463075B2 (ja) * 2019-10-23 2024-04-08 株式会社東芝 末端圧力制御支援装置、末端圧力制御支援方法及びコンピュータプログラム
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4017272B2 (ja) 1998-12-16 2007-12-05 中国電力株式会社 プラント状態推定・予測装置及び方法
JP2005135287A (ja) * 2003-10-31 2005-05-26 National Agriculture & Bio-Oriented Research Organization 予測装置、予測方法および予測プログラム
KR100660861B1 (ko) 2005-02-23 2006-12-26 삼성전자주식회사 반도체 공정 결과를 예측하고 제어하는 반도체 공정 제어장치
US8176096B2 (en) * 2008-12-18 2012-05-08 Microsoft Corporation Data visualization interactivity architecture
JP5851857B2 (ja) * 2012-01-20 2016-02-03 アズビル株式会社 グラフ表示装置
JP2013196037A (ja) * 2012-03-15 2013-09-30 Hitachi Ltd 需要予測システム及び需要予測方法
US8909582B2 (en) 2013-02-04 2014-12-09 Nec Corporation Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, and recording medium
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
US10452992B2 (en) * 2014-06-30 2019-10-22 Amazon Technologies, Inc. Interactive interfaces for machine learning model evaluations
US10102480B2 (en) * 2014-06-30 2018-10-16 Amazon Technologies, Inc. Machine learning service

Also Published As

Publication number Publication date
WO2016067483A1 (ja) 2016-05-06
US10867251B2 (en) 2020-12-15
JPWO2016067483A1 (ja) 2017-09-14
US20180330262A1 (en) 2018-11-15
EP3214585A1 (en) 2017-09-06
EP3214585A4 (en) 2018-06-13

Similar Documents

Publication Publication Date Title
JP6565925B2 (ja) 推定結果表示システム、推定結果表示方法および推定結果表示プログラム
CN104457772B (zh) 用于对数字化地图数据进行修正的技术
CN105589875B (zh) 一种多轨迹绘制的方法及装置
CN103186710B (zh) 最优路径搜索方法及系统
JP6565924B2 (ja) 推定結果表示システム、推定結果表示方法および推定結果表示プログラム
JP6091407B2 (ja) ジェスチャ登録装置
CN103473388A (zh) 实现流程图自动布局的系统及装置
JPWO2018052015A1 (ja) システムの分析支援装置、システムの分析支援方法及びプログラム
KR102562994B1 (ko) 차량 주행 경로 지도 생성 방법, 장치 및 컴퓨터프로그램
CN103995771B (zh) 任务进度展示方法及系统
CN104007920A (zh) 在电子测试装备上选择波形的方法
JP6160622B2 (ja) 配置スコア算出システム、方法およびプログラム
JP7165108B2 (ja) 作業訓練システム及び作業訓練支援方法
JP5620355B2 (ja) 測定装置
WO2016132684A1 (ja) 影響度可視化システム、方法およびプログラム
JP6268322B1 (ja) 学習データ精度可視化システム、学習データ精度可視化方法、及びプログラム
CN106503070B (zh) 一种发动机试验数据三维瀑布图重建方法
CN102640099A (zh) 对象处理装置和对象选择方法
JP5735939B2 (ja) 地図表示装置、地図表示方法及び地図表示プログラム
WO2015159377A1 (ja) 設計支援装置
JP5944692B2 (ja) 地図表示装置、地図表示方法およびプログラム
KR101370830B1 (ko) 사용자 인터페이스 구현 시스템 및 구현 방법
KR101452927B1 (ko) 최적화된 케이블 포설경로 검출방법 및 장치
JP6165001B2 (ja) 波形描画装置及び波形描画プログラム
KR20200128236A (ko) 머신 러닝 기반의 자동 위젯 적용 장치 및 방법

Legal Events

Date Code Title Description
A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A5211

Effective date: 20170427

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180305

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190416

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190613

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: 20190702

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190715

R150 Certificate of patent or registration of utility model

Ref document number: 6565925

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150