JP7398641B2 - 評価装置、評価方法及びプログラム - Google Patents
評価装置、評価方法及びプログラム Download PDFInfo
- Publication number
- JP7398641B2 JP7398641B2 JP2020569452A JP2020569452A JP7398641B2 JP 7398641 B2 JP7398641 B2 JP 7398641B2 JP 2020569452 A JP2020569452 A JP 2020569452A JP 2020569452 A JP2020569452 A JP 2020569452A JP 7398641 B2 JP7398641 B2 JP 7398641B2
- Authority
- JP
- Japan
- Prior art keywords
- group
- data
- unit
- groups
- calculated
- 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
- 238000011156 evaluation Methods 0.000 title claims description 83
- 238000003745 diagnosis Methods 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 description 128
- 238000000034 method Methods 0.000 description 126
- 238000010586 diagram Methods 0.000 description 44
- 239000011159 matrix material Substances 0.000 description 27
- 238000004590 computer program Methods 0.000 description 14
- 108010062653 Wiskott-Aldrich Syndrome Protein Family Proteins 0.000 description 13
- 102100038144 Wiskott-Aldrich syndrome protein family member 1 Human genes 0.000 description 12
- 239000013598 vector Substances 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100256253 Arabidopsis thaliana SCAR2 gene Proteins 0.000 description 1
- 101100420770 Arabidopsis thaliana WAVE5 gene Proteins 0.000 description 1
- 102100037103 Wiskott-Aldrich syndrome protein family member 2 Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
マハラノビス距離に基づいて、正常または異常の判定を行うことができる方法としてMT法(マハラノビス・タグチ法)が知られている。MT法では、基準とみなすデータの群である単位空間として、正常で均質な状態のデータを用意し、その状態が持つパターンからのズレをマハラノビス距離として数値化する。そして、判定対象のデータのマハラノビス距離を計算し、単位空間からの離れ具合から、判定対象のデータが正常または異常であるかを判定する。
以下では、図面を参照しながら、実施の形態における評価装置等の説明を行う。
図1は、本実施の形態における評価装置1の一例を示すブロック図である。
入力部12は、複数のデータ項目についての基準となるデータ群である単位データ群、及び複数のデータ項目についての評価対象となる1以上のデータ群である信号データ群を含むデータセットが入力される。入力部12には、単位データ群及び信号データ群が別々に入力されてもよい。
メモリ11は、記憶媒体の一例であり、例えば、ハードディスクドライブまたはソリッドステートドライブ等の書き換え可能な不揮発性のメモリで構成される。本実施の形態では、メモリ11は、入力部12に入力されたデータセットを記憶する。
図2は、図1に示す演算部10の詳細機能構成の一例を示すブロック図である。
図3は、実施の形態における単位データ群と信号データ群との一例を示す図である。図4は、図3に示す単位データ群を2つのグループにグルーピングした場合の例を示す図である。
相関係数算出部1011は、単位データ群の複数のデータ項目のすべてにおける2つのデータ項目の間の関係を示す相関係数を算出する。これについて図3に示す例を用いて説明する。相関係数算出部1011は、図3に示すデータ項目1及び2、データ項目1及び3、データ項目1及び4、データ項目1及び5、データ項目2及び3、データ項目2及び4、データ項目2及び5、データ項目3及び4、データ項目3及び5、データ項目4及び5それぞれの単位データの相関係数を計算する。より詳細には、相関係数算出部1011は、データ項目1及び2におけるy11及びy12、y21及びy22、y31及びy32、y41及びy42、並びに、y51及びy52から相関係数を算出する。つまり、図3では、単位データ群は、単位データ1~単位データ5からなるため、2つのデータ項目の全ての組み合わせにおける単位データ1~単位データ5それぞれのデータから、相関係数が算出される。
ここで、i=1,2,…,n、j=1,2,…k
グルーピング部1012は、単位データ群を、複数のデータ項目のうち少なくとも1以上の項目を含む、2以上のグループにグルーピングする。これについて図3及び図4に示す例を用いて説明すると、グルーピング部1012は、5つのデータ項目を、2つのグループにグルーピングする。より詳細には、データ項目1~5を、データ項目1及び2からなるグループ1とデータ項目3~5からなるグループ2との2つのグループにグルーピングする。図4に示す例では、予め決定したグループ数が2である場合に、グループ数が2となるようにグルーピングされた例が示されている。
グループ別単位空間算出部1013は、2以上のグループにグルーピングされた単位データ群である2以上のグループ別単位データ群のそれぞれにおける単位空間を、グループ別単位空間として算出する。これについて図4に示す例を用いて説明すると、グループ別単位空間算出部1013は、グルーピング部1012によりグルーピングされたグループ1、2に含まれる単位データを、グループ1、2におけるグループ別単位空間と決定する。より詳細には、グループ別単位空間算出部1013は、グループ1のデータ項目1及び2についてのy11及びy12、y21及びy22、y31及びy32、y41及びy42、並びに、y51及びy52をグループ1のグループ別単位空間と決定する。また、グループ別単位空間算出部1013は、グループ2のデータ項目3~5についてのy13~y15、y23~y25、y33~y35、y43~y45、並びに、y53~y55をグループ2のグループ別単位空間と決定する。つまり、グループ別単位空間算出部1013は、グループ1に属するすべての単位データで形成された単位空間と、グループ2に属するすべての単位データで形成された単位空間とを、グループ別単位空間に決定する。
MD値算出部102は、算出したグループ別単位空間を用いて、対応するグループ別単位データ群の第1マハラノビス距離を算出する。また、MD値算出部102は、算出したグループ別単位空間それぞれを用いて、対応するデータ項目における信号データ群の第2マハラノビス距離を算出する。本実施の形態では、MD値算出部102は、図2に示すように、グループ別単位データ群MD算出部1021と、グループ別信号データ群MD算出部1022とを備える。
図5は、実施の形態におけるグループ別単位空間を用いた単位データ群のマハラノビス距離の一例を示す図である。図5には、図4に示すグループ1、2から決定されたグループ別単位空間を用いて算出された、図3に示す単位データ群のマハラノビス距離の例が示されている。また、図5では、グループ1のグループ別単位空間を用いて算出されるマハラノビス距離がMD1と示されている。同様に、グループ2のグループ別単位空間を用いて算出されるマハラノビス距離がMD2と示されている。
図6は、実施の形態におけるグループ別単位空間を用いた信号データ群のマハラノビス距離の一例を示す図である。図6には、図4に示すグループ1、2から決定されたグループ別単位空間を用いて算出された、図3に示す信号データ群のマハラノビス距離の例が示されている。なお、図5と同様の要素には同一の名称を付しており、詳細な説明は省略する。
線形和算出部103は、グループ別単位データ群MD算出部1021が算出した複数の第1マハラノビス距離の第1線形和を算出する。また、線形和算出部103は、グループ別信号データ群MD算出部1022が算出した複数の第2マハラノビス距離の第2線形和を算出する。ここで、第1線形和と第2線形和とを算出する線形式の係数はそれぞれ、当該2以上のグループにおけるグループの数を分母とする単位分数である。
出力部13は、線形和算出部103が算出した第1線形和と第2線形和とを比較して、比較した結果を第1比較結果として出力する。出力部13は、信号データ群ごとに、算出した複数の第2マハラノビス距離同士を比較して、比較した結果を第2比較結果として出力してもよい。例えば、第2比較結果により、ある信号データ群の第2線形和が、すべての単位データ群の第1線形和よりも値がかなり大きく、閾値以上であることが判定できれば、当該信号データ群が異常であると判定できる。
上述のように構成された評価装置1の動作の一例について以下説明する。
以上のようにして、評価装置1は、単位データ群の複数のデータ項目をグルーピングすることで、単位データ群を複数のグループに分割し、信号データ群のマハラノビス距離を当該グループ毎に算出し、算出したマハラノビス距離の線形和を算出する。そして、算出した線形和で信号データ群を評価する。これにより、評価装置1は、データ項目の数が多くても逆行列計算などマハラノビス距離を行うための計算量を削減できるので、計算時間を短縮することができる。例えば、グルーピングしない場合には、マハラノビス距離を計算するための一連の計算量は、項目数の3乗に比例した計算量となる。一方、本実施の形態のようにグルーピングする場合には、グルーピングしない場合の計算量からグルーピング数の2乗を除した計算量となり、計算量を削減できる。
上記の実施の形態における評価装置1が行う評価方法の具体的態様の一例について、実施例1として説明する。
図11Aは、図9に示す波形データに対するMT法のMD値と本手法のMD値とを示す図である。本手法のMD値は、上記の実施の形態における評価装置1が行い、複数のデータ項目をグルーピングして、複数のグループに分割した単位データ群から形成したグループ別単位空間を用いて算出した、複数のマハラノビス距離の線形和である。本実施例では、複数のデータ項目(WAVE1~WAVE12)を4つずつ(WAVE1~WAVE4、WAVE5~WAVE8、WAVE9~WAVE12)、3グループに単位データ群を分割した。また、3グループに分割した単位データ群から形成したグループ別単位空間を用いて、単位データ(U1~U26)ごとのMD値を算出した。図11Aには、グループ別単位空間を用いて算出した、単位データ(U1~U26)ごとのMD値がグループ別MD値(MD1_1、MD1_2、MD1_3)として示されている。
図13Aは、図11Aに示す信号データ群の各データ項目に対してMT法を用いて項目診断を行うための計算結果を示す図である。例えばMT法のMD値を用いて異常と判定された信号データS3でのWAVE1のデータ項目では、WAVE1のデータ項目の影響を、直交表を用いて計算した値が記入されている。他のデータ項目に記入されている値も同様である。なお、これらの値を記入するために、WAVE2~WAVE12の複数のデータ項目における相関行列を算出し、算出した相関行列の逆行列を用いている。また、図13Aには、データ項目に記入されている値と比較できるように、信号データそれぞれに対するMT法のMD値も示されている。
実施例2では、単位データ群におけるデータ項目間の相関係数を利用して単位データ群を2以上のグループにグルーピングする方法の一例について説明する。
以上、実施の形態において本開示の評価装置、評価方法及びプログラムについて説明したが、各処理が実施される主体や装置に関しては特に限定しない。ローカルに配置された特定の装置内に組み込まれたプロセッサなど(以下に説明)によって処理されてもよい。またローカルの装置と異なる場所に配置されているクラウドサーバなどによって処理されてもよい。
10 演算部
11 メモリ
12 入力部
13 出力部
101 単位空間算出部
102 MD値算出部
103 線形和算出部
1011 相関係数算出部
1012 グルーピング部
1013 グループ別単位空間算出部
1021 グループ別単位データ群MD算出部
1022 信号データ群MD算出部
Claims (10)
- 複数のデータ項目についての基準となるデータ群である単位データ群、及び前記複数のデータ項目についての評価対象となる1以上のデータ群である信号データ群を含むデータセットから、マハラノビス距離を用いて前記信号データ群の評価を行うための評価装置であって、
プロセッサと、
メモリと、を備え、
前記プロセッサは、前記メモリを用いて、
前記単位データ群を、前記複数のデータ項目のうち少なくとも1以上の項目を含む、2以上のグループにグルーピングし、
前記2以上のグループにグルーピングされた前記単位データ群である前記2以上のグループ別単位データ群のそれぞれにおける単位空間を、グループ別単位空間として算出し、
算出した前記グループ別単位空間を用いて、対応する前記グループ別単位データ群の第1マハラノビス距離を算出し、
算出した前記グループ別単位空間それぞれを用いて、対応するデータ項目における前記信号データ群の第2マハラノビス距離を算出し、
算出した複数の前記第1マハラノビス距離の第1線形和を算出し、
算出した複数の前記第2マハラノビス距離の第2線形和を算出し、
算出した前記第1線形和と前記第2線形和とを比較して、比較した結果を第1比較結果として出力する、
評価装置。 - 前記単位データ群を前記2以上のグループにグルーピングする場合、
前記単位データ群の前記複数のデータ項目のすべてにおける2つのデータ項目の間の関係を示す相関係数を取得し、
取得した複数の前記相関係数を降順にソートし、
前記2以上のグループそれぞれに含まれるデータ項目の数の上限を決定し、
降順に相関係数を示す2つのデータ項目を、決定した前記数の上限に従って、前記2以上のグループの1つに分類することで、前記2以上のグループにグルーピングする、
請求項1に記載の評価装置。 - 前記1つに分類する際、前記相関係数を示す2つのデータ項目のうち少なくとも一方が、先に分類されたグループに含まれるデータ項目と重複し、かつ、前記先に分類されたグループに含まれるデータ項目の数が、決定した前記数の上限より小さい場合に、前記相関係数を示す2つのデータ項目を前記先に分類されたグループに分類する、
請求項2に記載の評価装置。 - 前記単位データ群を前記2以上のグループにグルーピングする場合、
前記複数のデータ項目のうち選択した2つのデータ項目の間の関係を示す相関係数を取得し、取得した前記相関係数が閾値以上であるときに、選択した前記2つのデータ項目を、前記2以上のグループの1つに分類することを、前記複数のデータ項目のすべての組み合わせで行い、
前記すべての組み合わせで行われた際、前記2以上のグループの1つに分類されなかった1以上のデータ項目を、前記すべての組み合わせで行われた際に分類されなかった、前記2以上のグループの1つに分類することで、前記単位データ群を前記2以上のグループにグルーピングする、
請求項1に記載の評価装置。 - 前記単位データ群を前記2以上のグループにグルーピングする場合、
前記2以上のグループにおけるグループの数を決定し、
前記単位データ群における前記複数のデータ項目を、決定した前記数のグループそれぞれに振り分けることで、前記2以上のグループにグルーピングする、
請求項1に記載の評価装置。 - 前記単位データ群を前記2以上のグループにグルーピングする場合、
前記2以上のグループそれぞれに含まれるデータ項目の数を決定し、
前記単位データ群における前記複数のデータ項目を、決定した前記数のデータ項目ごとにグルーピングすることで、前記2以上のグループにグルーピングする、
請求項1に記載の評価装置。 - 前記第1線形和と前記第2線形和とを算出する線形式の係数はそれぞれ、前記2以上のグループにおけるグループの数を分母とする単位分数である、
請求項1~6のいずれか1項に記載の評価装置。 - 前記プロセッサは、さらに、前記メモリを用いて、
前記信号データ群ごとに、算出した複数の前記第2マハラノビス距離同士を比較して、比較した結果を第2比較結果として出力し、
前記第2比較結果に基づき、前記複数のデータ項目のうちどのデータ項目が異常になったかを解析する項目診断を行う、
請求項1~7のいずれか1項に記載の評価装置。 - 複数のデータ項目についての基準となるデータ群である単位データ群、及び前記複数のデータ項目についての評価対象となる1以上のデータである信号データ群を含むデータセットから、コンピュータがマハラノビス距離を用いて前記信号データ群の評価を行うための評価方法であって、
前記単位データ群を、前記複数のデータ項目のうち少なくとも1以上の項目を含む、2以上のグループにグルーピングし、
前記2以上のグループにグルーピングされた前記単位データ群である前記2以上のグループ別単位データ群のそれぞれにおける単位空間を、グループ別単位空間として算出し、
算出した前記グループ別単位空間を用いて、対応する前記グループ別単位データ群の第1マハラノビス距離を算出し、
算出した前記グループ別単位空間それぞれを用いて、対応するデータ項目における前記信号データ群の第2マハラノビス距離を算出し、
算出した複数の前記第1マハラノビス距離の第1線形和を算出し、
算出した複数の前記第2マハラノビス距離の第2線形和を算出し、
算出した前記第1線形和と前記第2線形和とを比較して、比較結果を出力する、
評価方法。 - 複数のデータ項目についての基準となるデータ群である単位データ群、及び前記複数のデータ項目についての評価対象となる1以上のデータである信号データ群を含むデータセットから、マハラノビス距離を用いて前記信号データ群の評価を行うための評価方法をコンピュータに実行させるためのプログラムであって、
前記単位データ群を、前記複数のデータ項目のうち少なくとも1以上の項目を含む、2以上のグループにグルーピングし、
前記2以上のグループにグルーピングされた前記単位データ群である前記2以上のグループ別単位データ群のそれぞれにおける単位空間を、グループ別単位空間として算出し、
算出した前記グループ別単位空間を用いて、対応する前記グループ別単位データ群の第1マハラノビス距離を算出し、
算出した前記グループ別単位空間それぞれを用いて、対応するデータ項目における前記信号データ群の第2マハラノビス距離を算出し、
算出した複数の前記第1マハラノビス距離の第1線形和を算出し、
算出した複数の前記第2マハラノビス距離の第2線形和を算出し、
算出した前記第1線形和と前記第2線形和とを比較して、比較結果を出力する、
プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019013089 | 2019-01-29 | ||
JP2019013089 | 2019-01-29 | ||
PCT/JP2019/050727 WO2020158266A1 (ja) | 2019-01-29 | 2019-12-25 | 評価装置、評価方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020158266A1 JPWO2020158266A1 (ja) | 2021-12-02 |
JP7398641B2 true JP7398641B2 (ja) | 2023-12-15 |
Family
ID=71839954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020569452A Active JP7398641B2 (ja) | 2019-01-29 | 2019-12-25 | 評価装置、評価方法及びプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220083818A1 (ja) |
JP (1) | JP7398641B2 (ja) |
CN (1) | CN113348449A (ja) |
WO (1) | WO2020158266A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11846979B1 (en) * | 2022-06-01 | 2023-12-19 | Sas Institute, Inc. | Anomaly detection and diagnostics based on multivariate analysis |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010181188A (ja) | 2009-02-03 | 2010-08-19 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
JP2013041491A (ja) | 2011-08-18 | 2013-02-28 | Ihi Corp | 異常診断装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3034203C (en) * | 2016-08-26 | 2022-06-21 | 1Qb Information Technologies Inc. | Method and system for performing real-time analytics on a plurality of data streams |
-
2019
- 2019-12-25 US US17/423,711 patent/US20220083818A1/en active Pending
- 2019-12-25 CN CN201980089213.7A patent/CN113348449A/zh active Pending
- 2019-12-25 WO PCT/JP2019/050727 patent/WO2020158266A1/ja active Application Filing
- 2019-12-25 JP JP2020569452A patent/JP7398641B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010181188A (ja) | 2009-02-03 | 2010-08-19 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
JP2013041491A (ja) | 2011-08-18 | 2013-02-28 | Ihi Corp | 異常診断装置 |
Non-Patent Citations (1)
Title |
---|
藤 賢大,髪の特徴に基づく顔画像の印象類似検索,情報処理学会 研究報告 グラフィクスとCAD(CG),日本,情報処理学会,2013年11月21日,Vol.2013-CG-153 No.17,pp.1-6 |
Also Published As
Publication number | Publication date |
---|---|
US20220083818A1 (en) | 2022-03-17 |
CN113348449A (zh) | 2021-09-03 |
JPWO2020158266A1 (ja) | 2021-12-02 |
WO2020158266A1 (ja) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hossain et al. | Use of electronic health data for disease prediction: A comprehensive literature review | |
JP4890806B2 (ja) | 予測プログラムおよび予測装置 | |
JP4394728B2 (ja) | 影響要因特定装置 | |
de Oliveira et al. | A framework and benchmarking study for counterfactual generating methods on tabular data | |
JP2008546046A (ja) | マハラノビスの距離の遺伝的アルゴリズムの方法及びシステム | |
JP7210958B2 (ja) | 商品推薦装置及びプログラム | |
JP4318221B2 (ja) | 医療情報分析装置、方法及びプログラム | |
JP7398641B2 (ja) | 評価装置、評価方法及びプログラム | |
KR102174630B1 (ko) | 질병 관련 유전자 순위정보 제공 방법 | |
US20100094785A1 (en) | Survival analysis system, survival analysis method, and survival analysis program | |
Salem et al. | Early diagnosis of breast cancer by gene expression profiles | |
JP4723544B2 (ja) | 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
Sahu et al. | DCNN-SVM: A new approach for lung cancer detection | |
Segura-Alabart et al. | Nonunique UPGMA clusterings of microsatellite markers | |
US20200134430A1 (en) | Analyzing apparatus, analysis method and analysis program | |
Balabhadrapathruni et al. | A study on analysing the impact of feature selection on predictive machine learning algorithms | |
Brindise et al. | Machine learning-based pre-discharge prediction of hospital readmission | |
JPWO2018088277A1 (ja) | 予測モデル生成システム、方法およびプログラム | |
Ahmed et al. | Genetic variations analysis for complex brain disease diagnosis using machine learning techniques: opportunities and hurdles | |
Naydenova et al. | Smart diagnostic algorithms for automated detection of childhood pneumonia in resource-constrained settings | |
WO2018088276A1 (ja) | 予測モデル生成システム、方法およびプログラム | |
Xu et al. | Predictions from algorithmic modeling result in better decisions than from data modeling for soybean iron deficiency chlorosis | |
Joseph et al. | Classification methodologies in healthcare | |
WO2018142665A1 (ja) | 状態分析装置、状態分析方法、及び記憶媒体 | |
JP2007122682A (ja) | 故障品類似製品の抽出方法および抽出システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221011 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230822 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230831 |
|
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: 20231031 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231120 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7398641 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |