JP7214672B2 - 情報処理装置、情報処理方法及びコンピュータプログラム - Google Patents
情報処理装置、情報処理方法及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7214672B2 JP7214672B2 JP2020044457A JP2020044457A JP7214672B2 JP 7214672 B2 JP7214672 B2 JP 7214672B2 JP 2020044457 A JP2020044457 A JP 2020044457A JP 2020044457 A JP2020044457 A JP 2020044457A JP 7214672 B2 JP7214672 B2 JP 7214672B2
- Authority
- JP
- Japan
- Prior art keywords
- condition
- data
- explanatory variable
- variable
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Description
図1は、第1実施形態に係る情報処理装置であるクレンジング条件生成装置のブロック図である。図1のクレンジング条件生成装置101は、学習データDB11、制御部12、学習データ選択部(データ選択部)13、モデル生成部14、誤差算出部(差分算出部)15、グループ分割部16、クレンジング条件生成部(選択条件生成部)17、反復判定部18、クレンジング条件DB19、表示部20を備えている。グループ分割部16は、候補生成部16Aと分割条件選択部16Bとを備えている。
対象となる説明変数の全ての値を抽出し、抽出した値を降順(または、昇順)にソートする。抽出した値が重複する場合は、重複する値を除外する。ソートした値を
説明変数の全てのカテゴリ値を抽出し、抽出したカテゴリ値の全てを分割基準値の候補とする。例えば学習データにおいて対象となる説明変数のカテゴリ値としてA、B、Cが存在する場合、A、B、Cの全てを分割基準値の候補とする。他の方法として、頻度の高い上位X個のカテゴリ値(Xは設定ファイルで指定しておく)を、分割基準値の候補として採用する方法などがある。
真値と推定値との一致度を計測する指標として、相関係数により改善スコアを算出する例を、以下の例5に示す。また、モデルの当てはまりを評価する指標として、決定係数により改善スコアを算出する例を、以下の例6に示す。
クレンジング条件の生成有無の情報を用いて停止条件を定義する。クレンジング条件生成部17でクレンジング条件が生成された場合は、停止条件は満たされず、クレンジング条件が生成されなかった場合は、停止条件は満たされると判断する。クレンジング条件の生成有無の情報を用いて停止条件の成否を判定する場合、クレンジング条件生成部17は、クレンジング条件の生成の有無を示した情報を反復判定部18に提供する。反復判定部18は、提供された情報に基づき、停止条件の成否を判定する。
グループ分割部16で算出された改善スコアを用いて停止条件を定義する。改善スコアが閾値未満の場合は、停止条件が満たされると判定する。つまり、改善スコアが閾値未満の場合は、クレンジング条件をさらに生成したとしても、モデル生成部14で生成されるモデルの予測の精度の改善効果が低いと判断する。一方、改善スコアが閾値以上の場合は、停止条件は満たされないと判断する。つまり、さらにクレンジング条件を生成することで、モデルの予測の精度の改善効果が見込まれると判断する。改善スコアを用いる場合、クレンジング条件生成部17は、グループ分割部16から改善スコアを取得して、反復判定部18に提供する。反復判定部18は、提供された改善スコアに基づき、停止条件の成否を判定する。
反復回数を用いて停止条件を定義する。反復回数が閾値以上の場合は、停止条件が満たされると判定する。一方、反復回数が閾値未満の場合は、停止条件は満たされないと判定する。この場合、クレンジング条件生成部17は反復判定部18に反復回数の情報を反復判定部18に提供してもよい。反復判定部18は、提供された情報に基づき、停止条件の成否を判定する。あるいは、反復判定部18は自部で反復した回数を記憶しておき、記憶した情報を用いて、停止条件の成否を判定してもよい。
第1実施形態では正常グループと異常グループの2種類が生成された場合に異常インスタンスを除去するためのクレンジング条件(すなわち、正常グループを選択するクレンジング条件)を生成した。本変形例1では、2つ以上の正常グループが生成され、異常グループが生成されない場合にも、各正常グループを選択する条件(各正常グループが属する区間を特定する条件)をそれぞれクレンジング条件として生成する。
第1実施形態及び変形例1では分割条件として学習データを2つの区間に分割する形態を示したが、3つ以上の区間に分割する分割条件も可能である。例えば、説明変数_kが50未満、50以上60未満、60以上の3つの区間に分割する分割条件も可能である。また、説明変数_q=Aと、説明変数_q=Bと、説明変数_q=Cの3つに分割する分割条件も可能である。
図17は、第2実施形態に係る情報処理装置であるクレンジング条件生成装置101のブロック図である。図1と同じ名称のブロックには同一の符号を付して、拡張又は変更された処理を除き、説明を省略する。以下、第1実施形態と差異がある部分を中心に説明する。
第3実施形態に係る情報処理装置であるクレンジング条件生成装置101のブロック図は、第2実施形態の図17と同じである。
図20は、第4実施形態に係る情報処理装置であるクレンジング条件生成装置101のブロック図である。図1と同じ名称のブロックには同一の符号を付して、拡張又は変更された処理を除き、説明を省略する。以下、第1実施形態と差異がある部分を中心に説明する。
|D_g|<c
|D_g |:gグループのインスタンス数、c:閾値
ステップS110では、クレンジング条件生成部17が、正常グループがモデル生成条件を満たすかを判断する。モデル生成条件を満たさない場合、インスタンスを選択するフローに戻り、再帰的な動作をする。モデル生成条件を満たす場合、ステップS111で、正常グループに属するインスタンスに基づき、予測モデルを生成し、再帰的な動作から抜け出す。
インスタンスのグループを分割する前の予測モデルの精度と、分割後の各グループから生成した予測モデルの精度とが同等の場合、不必要な分割を実施していることに等しい。そこで、本変形例では、分割前のグループの予測モデルの誤差と、分割後の各グループの予測モデルの誤差を算出する。誤差の算出は、誤差算出部15と同様でよい。誤差の改善度を評価し、改善度が低ければ、分割された各グループの予測モデルを破棄して、分割前のグループの予測モデルを採用する。モデル木の構成も、分割前のモデル木に戻す。改善度が高ければ、分割後の各グループから生成した予測モデルを採用する。
第5実施形態は、第4実施形態に基づいており、逐次、本クレンジング条件生成装置の学習データDB11にインスタンスが追加される場合に、モデル木をオンラインで学習する。ストリームデータに適用可能なオンライン型の決定木学習アルゴリズムとして、FVDT (Very Fast Decision Tree)が知られている。本フローチャートの処理もVFDTに基づいている。
Hoeffding Boundの条件が満たされない場合、ステップS108に進む。この場合、学習データの分割、クレンジング条件の生成、及びモデル木の更新等は行われない。
図26に、本実施形態に係る情報処理装置101のハードウェア構成を示す。本実施形態に係る情報処理装置101は、コンピュータ装置170により構成される。コンピュータ装置170は、CPU151と、入力インタフェース152と、表示装置153と、通信装置154と、主記憶装置155と、外部記憶装置156とを備え、これらはバス157により相互に接続されている。
11:学習データDB
12:制御部
13:学習データ選択部
14:モデル生成部
15:誤差算出部
16:グループ分割部
16A:候補生成部
16B:分割条件選択部
17:クレンジング条件生成部
18:反復判定部
19:クレンジング条件DB
20:表示部
31:学習データDB
32:前処理部
33:予測モデル生成部
34:予測モデルDB
35:予測部
36:表示部
37:予測対象データDB
151:プロセッサ(CPU)
152:入力インタフェース
153:表示装置
154:通信装置
155:主記憶装置
156:外部記憶装置
157:バス
170:コンピュータ装置
Claims (20)
- 目的変数と、少なくとも1つの説明変数とを含む複数のデータに基づき、前記目的変数と、前記説明変数から予測される前記目的変数の予測値との複数の差分を算出する差分算出部と、
前記説明変数を前記説明変数の値の範囲によって特定される複数の区間に分割する値を示す少なくとも1つの分割条件候補を前記説明変数の値に基づき生成する候補生成部と、
前記分割条件候補により前記説明変数を分割した前記複数の区間に属する前記データから算出された前記差分を特定し、前記区間ごとの前記差分のばらつきを示す値と、前記差分算出部で算出された前記差分のばらつきを示す値とに基づく演算により前記分割によるばらつきの改善を評価するスコアを算出し、または、前記区間ごとの前記差分の平均値に基づく演算により前記区間としての前記差分のまとまりを評価するスコアを算出し、前記スコアに基づき、前記少なくとも1つの分割条件候補から第1分割条件を選択する分割条件選択部と、
を備えた情報処理装置。 - 前記第1分割条件によって前記説明変数を分割した前記複数の区間のうち属する前記データの個数が閾値以上の区間、又は前記複数のデータの個数に対する前記データの個数の割合が閾値以上の区間を第1区間として選択し、前記複数のデータのうち前記第1区間に属するデータを選択することを定めた第1選択条件を生成する選択条件生成部、
を備えた請求項1に記載の情報処理装置。 - 前記説明変数の2つ以上の値は、前記説明変数の値をソートし、重複する値を除外した場合の隣接する2つ以上の値である
請求項1又は2に記載の情報処理装置。 - 前記分割条件選択部は、前記区間ごとの前記差分のばらつきを示す値を前記区間に属するデータ数に基づいて重み付けして加算した値を、前記差分算出部で算出された前記差分のばらつきを示す値から減算することにより前記スコアを算出する
請求項1~3のいずれか一項に記載の情報処理装置。 - 前記分割条件選択部は、前記複数の区間ごとの前記差分の平均値間の距離に基づき前記スコアを算出、または2つの前記区間のうちの一方の平均が他方より大きい場合に前記一方の区間に属する差分の最小値と、他方の区間に属する差分の最大値との差に基づき前記スコアを算出する
請求項1~3のいずれか一項に記載の情報処理装置。 - 前記候補生成部は、前記分割条件候補を前記説明変数の値の中から選択する
請求項1~5のいずれか一項に記載の情報処理装置。 - 前記候補生成部は、前記説明変数の2つ以上の値を平均することにより前記分割条件候補を生成する
請求項1~5のいずれか一項に記載の情報処理装置。 - 前記複数のデータに基づいて、前記少なくとも1つの説明変数と、前記目的変数とが関連づいた第1モデルを生成するモデル生成部を備え、
前記差分算出部は、前記第1モデルと、前記データに含まれる前記少なくとも1つの説明変数とに基づいて、前記目的変数を算出し、
算出した前記目的変数と、前記データに含まれる前記目的変数との前記差分を算出する 請求項1~7のいずれか一項に記載の情報処理装置。 - 前記複数のデータに基づいて、前記少なくとも1つの説明変数と、前記目的変数とが関連づいた第1モデルを生成するモデル生成部、を備え、
前記差分算出部は、前記第1モデルと、前記データに含まれる前記少なくとも1つの説明変数とに基づいて、前記目的変数を算出し、
算出した前記目的変数と、前記データに含まれる前記目的変数との前記差分を算出し、
前記第1分割条件によって前記説明変数を分割した前記複数の区間のうち属する前記データの個数が閾値以上、又は前記複数のデータの個数に対する前記データの個数の割合が閾値以上の区間を第1区間として選択し、前記複数のデータのうち前記第1区間に属するデータを選択することを定めた第1選択条件を生成する選択条件生成部と、
前記複数のデータから前記第1選択条件を満たす第1データを選択するデータ選択部と、をさらに備え、
前記モデル生成部は、前記第1データに基づいて、前記少なくとも1つの説明変数と、前記目的変数とが関連づいた第2モデルを生成し、
前記差分算出部は、前記第2モデルと、前記第1データに含まれる前記少なくとも1つの説明変数とに基づいて、前記目的変数を算出し、算出した前記目的変数と、前記第1データに含まれる前記目的変数との前記差分を算出し、
前記候補生成部は、前記第1データにおける前記説明変数を前記説明変数の値の範囲によって特定される複数の区間に分割する値を示す少なくとも1つの第2分割条件候補を前記説明変数の値に基づき生成し、
前記分割条件選択部は、前記第2分割条件候補により前記説明変数を分割した前記複数の区間に属する前記第1データから算出された前記差分を特定し、前記区間ごとの前記差分のばらつきを示す値と、前記差分算出部で算出された前記差分のばらつきを示す値とに基づく演算により前記分割によるばらつきの改善を評価するスコアを算出し、または、前記区間ごとの前記差分の平均値に基づく演算により前記区間としての前記差分のまとまりを評価するスコアを算出し、前記スコアに基づき、前記少なくとも1つの第2分割条件候補から第2分割条件を選択し、
前記選択条件生成部は、前記第2分割条件によって前記説明変数を分割した前記複数の区間のうち属する前記第1データの個数が閾値以上の区間、又は前記データ選択部により選択された前記第1データの個数に対する前記第1データの個数の割合が閾値以上の区間を第2区間として選択し、前記第2区間に属する第1データを選択することを定めた第2選択条件を生成する
請求項1に記載の情報処理装置。 - 前記モデル生成部、前記差分算出部、前記候補生成部、前記分割条件選択部及び前記選択条件生成部による処理を反復するか否かを停止条件に基づき判定する反復判定部を備え、
前記データ選択部は、前記反復判定部によって反復すると判定された場合に、前記第1データの選択を行い、
前記反復判定部は、前記停止条件として、前記第1選択条件が生成された場合、前記スコアが閾値以上である場合、反復回数が閾値未満の場合に、前記処理を反復することを決定する
請求項9に記載の情報処理装置。 - 前記複数のデータから前記第1選択条件を満たす第1データを選択するデータ選択部を備え、
前記候補生成部は、前記第1データにおける前記説明変数を前記説明変数の値の範囲によって特定される複数の区間に分割する値を示す少なくとも1つの第2分割条件候補を前記説明変数の値に基づき生成し、
前記分割条件選択部は、前記第2分割条件候補により前記説明変数を分割した前記複数の区間に属する前記第1データから算出された前記差分を特定し、前記区間ごとの前記差分のばらつきを示す値と、前記差分算出部で算出された前記差分のばらつきを示す値とに基づく演算により前記分割によるばらつきの改善を評価するスコアを算出し、または、前記区間ごとの前記差分の平均値に基づく演算により前記区間としての前記差分のまとまりを評価するスコアを算出し、前記スコアに基づき、前記少なくとも1つの第2分割条件候補から第2分割条件を選択し、
前記選択条件生成部は、前記第2分割条件によって前記説明変数を分割した前記複数の区間のうち属する前記第1データの個数が閾値以上の区間、又は前記データ選択部により選択された前記第1データの個数に対する前記第1データの個数の割合が閾値以上の区間を第2区間として選択し、前記第2区間に属する前記第1データを選択することを定めた第2選択条件を生成する
請求項2に記載の情報処理装置。 - 前記候補生成部は、前記分割条件選択部及び前記選択条件生成部による処理を反復するか否かを停止条件に基づき判定する反復判定部を備え、
前記データ選択部は、前記反復判定部によって反復すると判定された場合に、前記第1データの選択を行い、
前記反復判定部は、前記停止条件として、前記第1選択条件が生成された場合、前記スコアが閾値以上である場合、反復回数が閾値未満の場合に、前記処理を反復することを決定する
請求項11に記載の情報処理装置。 - 前記複数のデータから前記第1選択条件を満たす第1データを選択するデータ選択部を備え、
前記分割条件選択部は、前記第1分割条件以外の前記分割条件候補から第2分割条件を選択し、
前記選択条件生成部は、前記第2分割条件によって前記説明変数を分割した前記複数の区間のうち属する前記第1データの個数が閾値以上の区間、又は前記データ選択部により選択された前記第1データの個数に対する前記第1データの個数の割合が閾値以上の区間を第2区間として選択し、前記第2区間に属する前記第1データを選択することを定めた第2選択条件を生成する
請求項2に記載の情報処理装置。 - 前記分割条件選択部及び前記選択条件生成部による処理を反復するか否かを停止条件に基づき判定する反復判定部を備え、
前記分割条件選択部は、前記反復判定部によって反復すると判定された場合に、前記第2分割条件の選択を行い、
前記反復判定部は、前記停止条件として、前記第1選択条件が生成された場合、前記スコアが閾値以上である場合、反復回数が閾値未満の場合に、前記処理を反復することを決定する
請求項13に記載の情報処理装置。 - 前記選択条件生成部は、
複数のノードと、前記複数のノードのうち末端ノード以外のノードに対応する分岐条件とを含む決定木を生成し、
前記ノードに属するデータに対して前記選択条件生成部により生成された前記第1選択条件を、前記ノードに対応する分岐条件として追加し、
前記複数のデータを前記決定木によって分類し、前記末端ノードに分類される前記データに基づき、前記少なくとも1つの説明変数と前記目的変数とが対応付いた予測モデルを生成し、生成した予測モデルを前記末端ノードに対応づける
請求項2に記載の情報処理装置。 - 前記データを取得するデータ取得部を備え、
前記選択条件生成部は、取得した前記データに基づき、前記決定木を更新する
請求項15に記載の情報処理装置。 - 前記少なくとも1つの説明変数と前記目的変数とを含む複数のデータから前記第1選択条件を満たすデータを選択する前処理部と、
選択した前記データに基づき、前記少なくとも1つの説明変数と前記目的変数とが関連づいた予測モデルを生成する予測モデル生成部と、
前記予測モデルと、前記少なくとも1つの説明変数を含む予測対象データとに基づき、前記目的変数を算出する予測部と
を備えた請求項2に記載の情報処理装置。 - 前記目的変数は、観測対象に関する変数である
請求項1~17のいずれか一項に記載の情報処理装置。 - 目的変数と、少なくとも1つの説明変数とを含む複数のデータに基づき、前記目的変数と、前記説明変数から予測される前記目的変数の予測値との複数の差分を算出し、
前記説明変数を前記説明変数の値の範囲によって特定される複数の区間に分割する値を示す少なくとも1つの分割条件候補を前記説明変数の値に基づき生成し、
前記分割条件候補により前記説明変数を分割した前記複数の区間に属する前記データから算出された前記差分を特定し、
前記区間ごとの前記差分のばらつきを示す値と、算出された前記差分のばらつきを示す値とに基づく演算により前記分割によるばらつきの改善を評価するスコアを算出し、または、前記区間ごとの前記差分の平均値に基づく演算により前記区間としての前記差分のまとまりを評価するスコアを算出し、
前記スコアに基づき、前記少なくとも1つの分割条件候補から第1分割条件を選択する、
コンピュータが実行する情報処理方法。 - 目的変数と、少なくとも1つの説明変数とを含む複数のデータに基づき、前記目的変数と、前記説明変数から予測される前記目的変数の予測値との複数の差分を算出するステップと、
前記説明変数を前記説明変数の値の範囲によって特定される複数の区間に分割する値を示す少なくとも1つの分割条件候補を前記説明変数の値に基づき生成するステップと、
前記分割条件候補により前記説明変数を分割した前記複数の区間に属する前記データから算出された前記差分を特定するステップと、
前記区間ごとの前記差分のばらつきを示す値と、算出された前記差分のばらつきを示す値とに基づく演算により前記分割によるばらつきの改善を評価するスコアを算出し、または、前記区間ごとの前記差分の平均値に基づく演算により前記区間としての前記差分のまとまりを評価するスコアを算出するステップと、
前記スコアに基づき、前記少なくとも1つの分割条件候補から第1分割条件を選択するステップと、
をコンピュータに実行させるためのコンピュータプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020044457A JP7214672B2 (ja) | 2020-03-13 | 2020-03-13 | 情報処理装置、情報処理方法及びコンピュータプログラム |
US17/015,824 US20210287134A1 (en) | 2020-03-13 | 2020-09-09 | Information processing apparatus, information processing method, and computer program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020044457A JP7214672B2 (ja) | 2020-03-13 | 2020-03-13 | 情報処理装置、情報処理方法及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021144619A JP2021144619A (ja) | 2021-09-24 |
JP7214672B2 true JP7214672B2 (ja) | 2023-01-30 |
Family
ID=77665054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020044457A Active JP7214672B2 (ja) | 2020-03-13 | 2020-03-13 | 情報処理装置、情報処理方法及びコンピュータプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210287134A1 (ja) |
JP (1) | JP7214672B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024003994A1 (ja) * | 2022-06-27 | 2024-01-04 | 三菱電機株式会社 | 正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181928A (ja) | 2003-12-24 | 2005-07-07 | Fuji Xerox Co Ltd | 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム |
JP2007329415A (ja) | 2006-06-09 | 2007-12-20 | Fujitsu Ltd | データ処理方法、データ処理プログラム、該プログラムを記録した記録媒体およびデータ処理装置 |
JP2020030674A (ja) | 2018-08-23 | 2020-02-27 | 日本電信電話株式会社 | 情報処理装置、情報処理方法及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2003085548A1 (ja) * | 2002-04-04 | 2005-08-11 | 石原産業株式会社 | データ解析装置および方法 |
JP3897169B2 (ja) * | 2002-11-07 | 2007-03-22 | 富士電機ホールディングス株式会社 | 決定木生成方法およびモデル構造生成装置 |
JP2004258991A (ja) * | 2003-02-26 | 2004-09-16 | Nec Corp | Edr方向推定方法、システム、プログラム、及び記録媒体 |
US20060224543A1 (en) * | 2005-04-05 | 2006-10-05 | Clymer John R | Guidance system |
WO2008126209A1 (ja) * | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
JP5146084B2 (ja) * | 2008-04-30 | 2013-02-20 | 富士通株式会社 | モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム |
-
2020
- 2020-03-13 JP JP2020044457A patent/JP7214672B2/ja active Active
- 2020-09-09 US US17/015,824 patent/US20210287134A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181928A (ja) | 2003-12-24 | 2005-07-07 | Fuji Xerox Co Ltd | 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム |
JP2007329415A (ja) | 2006-06-09 | 2007-12-20 | Fujitsu Ltd | データ処理方法、データ処理プログラム、該プログラムを記録した記録媒体およびデータ処理装置 |
JP2020030674A (ja) | 2018-08-23 | 2020-02-27 | 日本電信電話株式会社 | 情報処理装置、情報処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021144619A (ja) | 2021-09-24 |
US20210287134A1 (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8990145B2 (en) | Probabilistic data mining model comparison | |
Dejaeger et al. | Data mining techniques for software effort estimation: a comparative study | |
US20070260563A1 (en) | Method to continuously diagnose and model changes of real-valued streaming variables | |
CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 | |
JP6172317B2 (ja) | 混合モデル選択の方法及び装置 | |
JP2020135390A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20170132699A1 (en) | Markov decision process-based decision support tool for financial planning, budgeting, and forecasting | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
CN107797933A (zh) | 生成模拟报文的方法及装置 | |
JP6477703B2 (ja) | Cm計画支援システムおよび売上予測支援システム | |
JP7214672B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
US11176502B2 (en) | Analytical model training method for customer experience estimation | |
JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
Ehlers et al. | Bayesian analysis of order uncertainty in ARIMA models | |
Nagashima et al. | Data Imputation Method based on Programming by Example: APREP-S | |
US20160267393A1 (en) | Method of construction and selection of probalistic graphical models | |
Huang | Stock Price Prediction Based on Trend Characterization | |
CN111078840B (zh) | 一种基于文档向量的电影评论情感分析方法 | |
Ayeelyan et al. | Prediction strategies of stock market data using deep learning algorithm | |
CN111832797B (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
US20170185907A1 (en) | Method of probabilistic inference using open statistics | |
US20200410369A1 (en) | Data-driven cross feature generation | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
Panda et al. | Machine learning using exploratory analysis to predict taxi fare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210910 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220722 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220916 |
|
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: 20221220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230118 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7214672 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |