JP7456273B2 - データ解析システム、データ解析方法及びデータ解析プログラム - Google Patents
データ解析システム、データ解析方法及びデータ解析プログラム Download PDFInfo
- Publication number
- JP7456273B2 JP7456273B2 JP2020083197A JP2020083197A JP7456273B2 JP 7456273 B2 JP7456273 B2 JP 7456273B2 JP 2020083197 A JP2020083197 A JP 2020083197A JP 2020083197 A JP2020083197 A JP 2020083197A JP 7456273 B2 JP7456273 B2 JP 7456273B2
- Authority
- JP
- Japan
- Prior art keywords
- regression
- model
- display
- accuracy
- regression models
- 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
- 238000007405 data analysis Methods 0.000 title claims description 70
- 238000000034 method Methods 0.000 title claims description 30
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 description 19
- 239000000463 material Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000003672 processing method Methods 0.000 description 8
- 238000013524 data verification Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
[システムの構成]
[システムの動作]
[作用及び効果]
Claims (12)
- 少なくとも1つのプロセッサを備え、
前記少なくとも1つのプロセッサは、
複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付け、
前記データセットに基づいて、前記複数の項目のうちの一の項目が目的変数であり、前記複数の項目のうちの他の項目が説明変数である互いに異なる複数の回帰モデルを作成し、
前記複数の回帰モデルの各々の精度を算出し、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させ、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記少なくとも1つのプロセッサは、
前記表示モデルにおける前記説明変数の重要度を、前記表示モデルと共に前記表示部に表示させる、データ解析システム。 - 少なくとも1つのプロセッサを備え、
前記少なくとも1つのプロセッサは、
複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付け、
前記データセットに基づいて、前記複数の項目のうちの一の項目が目的変数であり、前記複数の項目のうちの他の項目が説明変数である互いに異なる複数の回帰モデルを作成し、
前記複数の回帰モデルの各々の精度を算出し、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させ、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記少なくとも1つのプロセッサは、
複数のハイパーパラメータを用いて前記複数の回帰モデルの前記精度を算出し、前記精度が最も高い前記ハイパーパラメータを前記回帰モデルの前記ハイパーパラメータとして選択し、
前記表示モデルにおける前記ハイパーパラメータのチューニング結果として、前記複数のハイパーパラメータを用いた場合の前記精度を、前記表示モデルと共に前記表示部に表示させる、データ解析システム。 - 前記少なくとも1つのプロセッサは、
前記複数の回帰モデルのうち前記精度が最も高い前記回帰モデルを前記表示モデルとして前記表示部に表示させる、請求項1又は2に記載のデータ解析システム。 - 前記少なくとも1つのプロセッサは、
前記データセットにおける前記目的変数の値と、前記表示モデルにより予測される前記目的変数の値と間の関係を示すグラフを、前記表示モデルと共に前記表示部に表示させる、請求項1~3のいずれか一項に記載のデータ解析システム。 - 前記少なくとも1つのプロセッサは、
前記複数の回帰モデルをそれぞれ示す複数のラベルを、対応する前記回帰モデルの前記精度が高い順に並ぶように、前記表示部に表示させる、請求項1~4のいずれか一項に記載のデータ解析システム。 - 前記少なくとも1つのプロセッサは、
前記複数の回帰モデルの各々について、複数の精度指標を用いて前記精度を算出し、
前記複数の精度指標の各々を用いた場合の前記複数の回帰モデルの前記精度を前記表示部に表示させる、請求項1~5のいずれかいずれか一項に記載のデータ解析システム。 - 前記少なくとも1つのプロセッサは、
前記複数の回帰モデルの各々における前記説明変数の係数を前記表示部に表示させる、請求項1~6のいずれかいずれか一項に記載のデータ解析システム。 - 前記少なくとも1つのプロセッサは、
前記複数の回帰モデルの各々における前記説明変数の重要度を前記表示部に表示させる、請求項1~7のいずれかいずれか一項に記載のデータ解析システム。 - 少なくとも1つのプロセッサを備えるデータ解析システムにより実行されるデータ解析方法であって、
複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付けるステップと、
前記データセットに基づいて、前記複数の項目のうちの一の項目を目的変数とし、前記複数の項目のうちの他の項目を説明変数とする互いに異なる複数の回帰モデルを作成するステップと、
前記複数の回帰モデルの各々の精度を算出するステップと、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させるステップと、を備え、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記表示部に表示させるステップでは、前記表示モデルにおける前記説明変数の重要度を、前記表示モデルと共に前記表示部に表示させる、データ解析方法。 - 少なくとも1つのプロセッサを備えるデータ解析システムにより実行されるデータ解析方法であって、
複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付けるステップと、
前記データセットに基づいて、前記複数の項目のうちの一の項目を目的変数とし、前記複数の項目のうちの他の項目を説明変数とする互いに異なる複数の回帰モデルを作成するステップと、
前記複数の回帰モデルの各々の精度を算出するステップと、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させるステップと、を備え、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記複数の回帰モデルを作成するステップでは、複数のハイパーパラメータを用いて前記複数の回帰モデルの前記精度を算出し、前記精度が最も高い前記ハイパーパラメータを前記回帰モデルの前記ハイパーパラメータとして選択し、
前記表示部に表示させるステップでは、前記表示モデルにおける前記ハイパーパラメータのチューニング結果として、前記複数のハイパーパラメータを用いた場合の前記精度を、前記表示モデルと共に前記表示部に表示させる、データ解析方法。 - 複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付けるステップと、
前記データセットに基づいて、前記複数の項目のうちの一の項目を目的変数とし、前記複数の項目のうちの他の項目を説明変数とする互いに異なる複数の回帰モデルを作成するステップと、
前記複数の回帰モデルの各々の精度を算出するステップと、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させるステップと、をコンピュータに実行させ、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記表示部に表示させるステップでは、前記表示モデルにおける前記説明変数の重要度を、前記表示モデルと共に前記表示部に表示させる、データ解析プログラム。 - 複数の項目のデータの集合であるデータユニットを複数含むデータセットを受け付けるステップと、
前記データセットに基づいて、前記複数の項目のうちの一の項目を目的変数とし、前記複数の項目のうちの他の項目を説明変数とする互いに異なる複数の回帰モデルを作成するステップと、
前記複数の回帰モデルの各々の精度を算出するステップと、
前記複数の回帰モデルの中から前記精度に応じて選択された前記回帰モデルを表示モデルとして表示部に表示させるステップと、をコンピュータに実行させ、
前記複数の回帰モデルの各々は、回帰式を用いた回帰モデルであるか、又は決定木を用いた回帰モデルであり、
前記複数の回帰モデルを作成するステップでは、複数のハイパーパラメータを用いて前記複数の回帰モデルの前記精度を算出し、前記精度が最も高い前記ハイパーパラメータを前記回帰モデルの前記ハイパーパラメータとして選択し、
前記表示部に表示させるステップでは、前記表示モデルにおける前記ハイパーパラメータのチューニング結果として、前記複数のハイパーパラメータを用いた場合の前記精度を、前記表示モデルと共に前記表示部に表示させる、データ解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020083197A JP7456273B2 (ja) | 2020-05-11 | 2020-05-11 | データ解析システム、データ解析方法及びデータ解析プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020083197A JP7456273B2 (ja) | 2020-05-11 | 2020-05-11 | データ解析システム、データ解析方法及びデータ解析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021179668A JP2021179668A (ja) | 2021-11-18 |
JP7456273B2 true JP7456273B2 (ja) | 2024-03-27 |
Family
ID=78511520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020083197A Active JP7456273B2 (ja) | 2020-05-11 | 2020-05-11 | データ解析システム、データ解析方法及びデータ解析プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7456273B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024025242A (ja) * | 2022-08-10 | 2024-02-26 | パナソニックIpマネジメント株式会社 | 予測装置、データ処理装置、予測方法、データ処理方法、コンピュータプログラム及び記録媒体 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094207A1 (ja) | 2015-11-30 | 2017-06-08 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理用プログラム |
JP2019144022A (ja) | 2018-02-16 | 2019-08-29 | 株式会社三菱総合研究所 | 飲料の特性予測方法、特性予測プログラムおよび特性予測装置 |
JP2019200487A (ja) | 2018-05-14 | 2019-11-21 | 株式会社東芝 | 利用数予測装置、利用数予測方法及びプログラム |
JP2020183767A (ja) | 2019-04-26 | 2020-11-12 | 株式会社東芝 | 摩耗予測装置、摩耗予測方法及びコンピュータプログラム |
-
2020
- 2020-05-11 JP JP2020083197A patent/JP7456273B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094207A1 (ja) | 2015-11-30 | 2017-06-08 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理用プログラム |
JP2019144022A (ja) | 2018-02-16 | 2019-08-29 | 株式会社三菱総合研究所 | 飲料の特性予測方法、特性予測プログラムおよび特性予測装置 |
JP2019200487A (ja) | 2018-05-14 | 2019-11-21 | 株式会社東芝 | 利用数予測装置、利用数予測方法及びプログラム |
JP2020183767A (ja) | 2019-04-26 | 2020-11-12 | 株式会社東芝 | 摩耗予測装置、摩耗予測方法及びコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021179668A (ja) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dangeti | Statistics for machine learning | |
Tatsat et al. | Machine Learning and Data Science Blueprints for Finance | |
Legramanti et al. | Bayesian cumulative shrinkage for infinite factorizations | |
Villa-Vialaneix et al. | A comparison of eight metamodeling techniques for the simulation of N2O fluxes and N leaching from corn crops | |
US20160232457A1 (en) | User Interface for Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions and Features | |
US11080475B2 (en) | Predicting spreadsheet properties | |
US9087294B2 (en) | Prediction method, prediction system and program | |
US11151480B1 (en) | Hyperparameter tuning system results viewer | |
Das et al. | Classification methods | |
Kuhn et al. | Regression trees and rule-based models | |
EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
Wang et al. | Boosted varying-coefficient regression models for product demand prediction | |
US11550970B2 (en) | Resolving opaqueness of complex machine learning applications | |
Montesinos-López et al. | A Bayesian genomic multi-output regressor stacking model for predicting multi-trait multi-environment plant breeding data | |
Karabatsos | A menu-driven software package of Bayesian nonparametric (and parametric) mixed models for regression analysis and density estimation | |
Saleh | Machine Learning Fundamentals: Use Python and scikit-learn to get up and running with the hottest developments in machine learning | |
Pardo et al. | Rotation forests for regression | |
Ballings et al. | Kernel Factory: An ensemble of kernel machines | |
JP7456273B2 (ja) | データ解析システム、データ解析方法及びデータ解析プログラム | |
CN114207729A (zh) | 材料特性预测系统以及材料特性预测方法 | |
Kick et al. | Yield prediction through integration of genetic, environment, and management data through deep learning | |
Galea et al. | Applied Deep Learning with Python: Use scikit-learn, TensorFlow, and Keras to create intelligent systems and machine learning solutions | |
CA3189593A1 (en) | Hybrid machine learning | |
Chopra et al. | Data Science with Python: Combine Python with machine learning principles to discover hidden patterns in raw data | |
US20230273771A1 (en) | Secret decision tree test apparatus, secret decision tree test system, secret decision tree test method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220627 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230727 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240123 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240129 |
|
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: 20240213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7456273 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |