JP2008171282A

JP2008171282A - Optimal parameter search program, device and method

Info

Publication number: JP2008171282A
Application number: JP2007005178A
Authority: JP
Inventors: Kazuhiro Matsumoto; 和宏松本; Koichi Kumon; 耕一久門
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2007-01-12
Filing date: 2007-01-12
Publication date: 2008-07-24
Anticipated expiration: 2027-01-12
Also published as: JP5135803B2

Abstract

<P>PROBLEM TO BE SOLVED: To choose a truly optimal parameter at high speed without fail. <P>SOLUTION: An optimal parameter search device 100 as a device for searching the optimal prediction parameter includes a prediction parameter generation part 112 for generating the prediction parameter, a prediction performance evaluation part 115 for evaluating the performance of the generated prediction parameter, an approximation function generation part 116 for generating the approximation function indicating relation between the prediction parameter and the prediction performance based on the evaluation result of the prediction performance evaluation part 115, and a prediction parameter selection part 113 for limiting the search area of the prediction parameter by applying the prediction parameter, generated by the prediction parameter generation part 112, to the approximation function, generated by the approximation function generation part 116, and choosing in favor of the prediction parameter appropriate in the approximate value of the obtained prediction performance. <P>COPYRIGHT: (C)2008,JPO&INPIT

Description

この発明は、目的に最も適合するパラメータを探索する最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法に関し、特に、真に最適なパラメータを高速かつ確実に選択することができる最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法に関する。 The present invention relates to an optimum parameter search program, an optimum parameter search apparatus, and an optimum parameter search method for searching for a parameter that best suits an object, and in particular, an optimum parameter search program capable of selecting a truly optimum parameter at high speed and with certainty. The present invention relates to an optimum parameter search apparatus and an optimum parameter search method.

近年、情報処理装置の処理能力の向上を背景として、多数のパラメータの中から、最も目的に適合するパラメータを情報処理装置に選択させる技術が広く使用されるようになっている。例えば、特許文献１では、ベース部の厚みやフィンの数等をパラメータとし、所定の条件を満たしながら最も放熱効率のよいヒートシンクを得ることができるパラメータを情報処理装置に選択させる技術が開示されている。 In recent years, a technology for causing an information processing apparatus to select a parameter that best suits a purpose from a large number of parameters has been widely used against the background of improving the processing capability of the information processing apparatus. For example, Patent Document 1 discloses a technology that uses an information processing device to select a parameter that can obtain a heat sink with the best heat dissipation efficiency while satisfying a predetermined condition using parameters such as the thickness of the base portion and the number of fins as parameters. Yes.

また、特許文献２では、最も目的に適合するパラメータを情報処理装置に選択させるために要する処理時間を短縮させる技術が開示されている。この技術をもちいれば、パラメータが膨大に存在する場合であっても、応答曲面の近似精度を考慮して領域分割をおこない、最適なパラメータを探索する領域を限定していくことにより、処理時間を短縮させることが可能になっている。 Patent Document 2 discloses a technique for shortening the processing time required for the information processing apparatus to select a parameter that best suits the purpose. With this technology, even if there are a large number of parameters, processing time can be reduced by performing region segmentation considering the approximation accuracy of the response surface and limiting the region to search for the optimal parameters. Can be shortened.

特開２００４−３１１８８５号公報JP 2004-311885 A 特開２００３−１７３３２８号公報JP 2003-173328 A

しかしながら、特許文献２のように、領域分割をおこなって最適なパラメータの探索領域を限定する方式をとる場合、最適なパラメータを予測する予測性能の精度が低い場合に、真に最適なパラメータが選択されない場合があった。予測性能の精度が低いと、領域分割のある段階で、真に最適なパラメータを含む領域が探索対象から除外され、それ以降は、真に最適なパラメータを含む領域の探索がおこなわれなくなってしまう可能性があるためである。 However, as in Patent Document 2, when using a method of performing region segmentation to limit the search area for the optimal parameter, if the accuracy of prediction performance for predicting the optimal parameter is low, the truly optimal parameter is selected. There was no case. If the accuracy of the prediction performance is low, a region including the truly optimal parameter is excluded from the search target at a stage where the region is divided, and thereafter, the region including the truly optimal parameter is not searched. This is because there is a possibility.

この発明は、上述した従来技術による問題点を解消するためになされたものであり、多数のパラメータの中から、真に最適なパラメータを高速かつ確実に選択することができる最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法を提供することを目的とする。 The present invention has been made to solve the above-described problems caused by the prior art, and an optimum parameter search program capable of quickly and surely selecting a truly optimum parameter from among a large number of parameters. An object of the present invention is to provide a parameter search device and an optimal parameter search method.

上述した課題を解決し、目的を達成するため、本発明の一つの態様では、目的に最も適合するパラメータを探索する最適パラメータ探索プログラムであって、前記目的のためにもちいられるパラメータを生成するパラメータ生成手順と、前記パラメータ生成手順によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価手順と、前記性能評価手順の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成手順と、前記近似関数生成手順によって生成された近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜手順とをコンピュータに実行させることを特徴とする。 In order to solve the above-described problems and achieve the object, according to one aspect of the present invention, there is provided an optimal parameter search program for searching for a parameter most suitable for the object, the parameter generating a parameter used for the object. A generation procedure, a performance evaluation procedure for obtaining a performance evaluation value indicating how much the parameters generated by the parameter generation procedure are suitable for the purpose, and a parameter and a performance evaluation value based on a processing result of the performance evaluation procedure. Approximate function generation procedure for generating an approximate function indicating the relationship, and the approximate value of the obtained performance evaluation value is good by applying the parameter generated by the parameter generation procedure to the approximate function generated by the approximate function generation procedure Parameter selection that limits the search area for parameters by prioritizing the selection of various parameters Characterized in that to execute the door to the computer.

この発明の態様によれば、性能評価値の近似関数に基づいてパラメータの探索領域を限定することにより、パラメータの性能評価の精度の向上に合わせて探索領域を段階的に限定することとしたので、真に最適なパラメータを高速かつ確実に選択することができる。 According to the aspect of the present invention, since the parameter search area is limited based on the approximate function of the performance evaluation value, the search area is limited step by step in accordance with the improvement in the accuracy of the parameter performance evaluation. The truly optimal parameters can be selected quickly and reliably.

また、本発明の他の態様では、上記の発明の態様において、前記近似関数生成手順は、パラメータと性能評価値の関係を示す近似関数を複数生成し、前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜することを特徴とする。 In another aspect of the present invention, in the above aspect of the invention, the approximation function generation procedure generates a plurality of approximation functions indicating a relationship between parameters and performance evaluation values, and the parameter selection procedure includes the approximation function generation. The parameter generated by the parameter generation procedure is applied to each approximate function generated by the procedure, and a parameter with a good average value of the approximate values of the obtained performance evaluation values is selected preferentially.

この発明の態様によれば、複数の近似関数により求められた性能評価値の近似値の平均値に基づいて探索領域を限定することとしたので、個々の近似関数の精度の低さに起因する悪影響を低減することができる。 According to the aspect of the present invention, since the search area is limited based on the average value of the approximate values of the performance evaluation values obtained by a plurality of approximate functions, this results from the low accuracy of each approximate function. Adverse effects can be reduced.

また、本発明の他の態様では、上記の発明の態様において、前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜する代わりに、得られた性能評価値の近似値の分散値が大きいパラメータを優先して選抜することを特徴とする。 In another aspect of the present invention, in the aspect of the invention described above, the parameter selection procedure may be obtained by applying the parameter generated by the parameter generation procedure to each approximate function generated by the approximate function generation procedure. Instead of preferentially selecting a parameter with a good average value of the obtained performance evaluation values, a parameter having a large variance value of the obtained approximate value of the performance evaluation value is preferentially selected. .

この発明の態様によれば、性能評価値の分散が大きい領域を探索することとしたので、近似性能の精度が悪い領域を少なくすることができ、データ傾向を適切に説明することが可能になる。 According to the aspect of the present invention, since the region where the variance of the performance evaluation value is large is searched, the region where the accuracy of the approximate performance is poor can be reduced, and the data tendency can be appropriately explained. .

また、本発明の他の態様では、上記の発明の態様において、前記パラメータ生成手順によって生成されたパラメータをもちいて、所定の入力情報に対して得られる結果を予測する予測器を作成する予測器作成手順と、入力情報と、該入力情報に対して実際に得られた結果との対応を示す分析対象データをサンプリングして、前記予測器作成手順が前記予測器を作成するためにもちいる予測器作成データと、前記性能評価手順が前記予測器の性能を評価するためにもちいる性能評価データとを生成するデータサンプリング手順とをさらにコンピュータに実行させることを特徴とする。 In another aspect of the present invention, in the above aspect of the invention, a predictor that creates a predictor that predicts a result obtained for predetermined input information using the parameter generated by the parameter generation procedure. Sampling the analysis target data indicating the correspondence between the creation procedure, the input information, and the results actually obtained for the input information, and the prediction used by the predictor creation procedure to create the predictor And a data sampling procedure for generating performance evaluation data used by the performance evaluation procedure for evaluating the performance of the predictor.

この発明の態様によれば、性能評価値の近似関数に基づいてパラメータの探索領域を限定することにより、パラメータの性能評価の精度の向上に合わせて探索領域を段階的に限定しながら予測器を作成することとしたので、真に最適なパラメータをもつ予測器を高速かつ確実に作成することができる。 According to the aspect of the present invention, by limiting the parameter search region based on the approximate function of the performance evaluation value, the predictor can be used while limiting the search region step by step in accordance with the improvement of the parameter performance evaluation accuracy. Since it was created, a predictor having a truly optimum parameter can be created quickly and reliably.

また、本発明の他の態様では、上記の発明の態様において、前記データサンプリング手順は、前記パラメータ選抜手順によってパラメータが選抜される度に、前記予測器作成データおよび前記性能評価データを再作成することを特徴とする。 In another aspect of the present invention, in the above aspect of the invention, the data sampling procedure re-creates the predictor creation data and the performance evaluation data each time a parameter is selected by the parameter selection procedure. It is characterized by that.

この発明の態様によれば、探索の試行の度に予測器の作成用のデータと評価用のデータを再作成することとしたので、データの偏りに起因する悪影響を低減することができる。 According to this aspect of the present invention, since the data for creating the predictor and the data for evaluation are re-created each time a search is attempted, adverse effects caused by data bias can be reduced.

なお、本発明の構成要素、表現または構成要素の任意の組合せを、方法、装置、システム、コンピュータプログラム、記録媒体、データ構造などに適用したものも本発明の態様として有効である。 In addition, what applied the component, expression, or arbitrary combination of the component of this invention to a method, an apparatus, a system, a computer program, a recording medium, a data structure, etc. is also effective as an aspect of this invention.

本発明の一つの態様によれば、性能評価値の近似関数に基づいてパラメータの探索領域を限定することにより、パラメータの性能評価の精度の向上に合わせて探索領域を段階的に限定することとしたので、真に最適なパラメータを高速かつ確実に選択することができるという効果を奏する。 According to one aspect of the present invention, by limiting the parameter search region based on the approximate function of the performance evaluation value, the search region is limited in stages in accordance with the improvement in the accuracy of the parameter performance evaluation; Therefore, there is an effect that a truly optimum parameter can be selected at high speed and with certainty.

また、本発明の一つの態様によれば、複数の近似関数により求められた性能評価値の近似値の平均値に基づいて探索領域を限定することとしたので、個々の近似関数の精度の低さに起因する悪影響を低減することができるという効果を奏する。 In addition, according to one aspect of the present invention, the search region is limited based on the average value of the approximate values of the performance evaluation values obtained by a plurality of approximate functions, so that the accuracy of each approximate function is low. The effect that the bad influence resulting from this can be reduced is produced.

また、本発明の一つの態様によれば、性能評価値の分散が大きい領域を探索することとしたので、近似性能の精度が悪い領域を少なくすることができ、データ傾向を適切に説明することが可能になるという効果を奏する。 In addition, according to one aspect of the present invention, since it is determined to search for an area where the variance of the performance evaluation value is large, it is possible to reduce the area where the accuracy of the approximate performance is poor, and appropriately explain the data trend. There is an effect that becomes possible.

また、本発明の一つの態様によれば、性能評価値の近似関数に基づいてパラメータの探索領域を限定することにより、パラメータの性能評価の精度の向上に合わせて探索領域を段階的に限定しながら予測器を作成することとしたので、真に最適なパラメータをもつ予測器を高速かつ確実に作成することができるという効果を奏する。 Further, according to one aspect of the present invention, by limiting the parameter search region based on the approximate function of the performance evaluation value, the search region is limited step by step in accordance with the improvement of the parameter performance evaluation accuracy. However, since the predictor is created, there is an effect that a predictor having a truly optimum parameter can be created quickly and reliably.

また、本発明の一つの態様によれば、探索の試行の度に予測器の作成用のデータと評価用のデータを再作成することとしたので、データの偏りに起因する悪影響を低減することができるという効果を奏する。 In addition, according to one aspect of the present invention, the data for creating the predictor and the data for evaluation are re-created each time a search is attempted, so that adverse effects due to data bias are reduced. There is an effect that can be.

以下に添付図面を参照して、本発明に係る最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法の好適な実施の形態を詳細に説明する。なお、以下の実施例では、本発明について、予測器が予測処理をおこなうためにもちいる予測パラメータを最適化する場合を例にして説明するが、本発明は、このような用途に限定されるものではなく、多数のパラメータから最適なパラメータを選択する用途に広く適用することができる。 Exemplary embodiments of an optimal parameter search program, an optimal parameter search apparatus, and an optimal parameter search method according to the present invention will be explained below in detail with reference to the accompanying drawings. In the following embodiments, the present invention will be described by taking as an example the case where a prediction parameter used by a predictor to perform prediction processing is optimized. However, the present invention is limited to such applications. However, the present invention can be widely applied to the use of selecting an optimum parameter from a large number of parameters.

まず、本実施例に係る最適パラメータ探索方法をもちいて最適パラメータの探索をおこなう対象である予測器について説明する。図１は、予測器について説明するための図である。同図に示した予測器１は、入力データ２に基づいて予測をおこなった結果を出力データ３として出力する手段である。 First, a predictor that is a target for searching for an optimum parameter using the optimum parameter search method according to the present embodiment will be described. FIG. 1 is a diagram for explaining a predictor. The predictor 1 shown in the figure is means for outputting the result of prediction based on the input data 2 as output data 3.

具体的には、予測器１は、年齢や属性といった個人の属性情報からなる入力データ２に基づいて、その個人がある製品を購入するか否かを予測し、その結果を出力データ３として出力する。予測器１は、この予測をおこなうために、下記のような計算式に入力データを適用し、その演算結果を判定ルールと照合する。
年齢×Ａ＋年収×Ｂ＋Ｃ Specifically, the predictor 1 predicts whether or not the individual purchases a product based on the input data 2 made up of individual attribute information such as age and attributes, and outputs the result as output data 3. To do. In order to perform this prediction, the predictor 1 applies input data to the following calculation formula, and compares the calculation result with a determination rule.
Age x A + Annual income x B + C

ここで、上記の計算式におけるＡ、ＢおよびＣは、予測パラメータと呼ばれ、固定値が設定される。予測器１の予測性能を向上させるには、これらの予測パラメータに適切な値を設定する必要がある。本実施例に係る最適パラメータ探索方法は、これらの予測パラメータの最適な値を探索することを可能にする。なお、上記の計算式は、一例であり、予測器の用途に応じて、計算式の内容は適宜変更される。 Here, A, B, and C in the above formula are called prediction parameters, and fixed values are set. In order to improve the prediction performance of the predictor 1, it is necessary to set appropriate values for these prediction parameters. The optimum parameter search method according to the present embodiment makes it possible to search for optimum values of these prediction parameters. In addition, said calculation formula is an example and the content of a calculation formula is suitably changed according to the use of a predictor.

このような予測器は、例えば、ＣＲＭ（Customer Relationship Management）の分野において、収集された各種顧客情報に基づいて顧客の行動を予測する目的や、生体認証の分野において、本人であるか否かを推定する目的でもちいられており、最適な予測パラメータの探索による予測器の性能向上は、広い分野で必要とされている。 Such a predictor is, for example, in the field of CRM (Customer Relationship Management), for the purpose of predicting customer behavior based on various customer information collected, and in the field of biometrics authentication, It is also used for estimation purposes, and it is necessary in a wide range of fields to improve the performance of a predictor by searching for an optimal prediction parameter.

次に、従来の最適パラメータ探索方法について説明する。図１５および１６は、従来の最適パラメータ探索方法の概要について説明するための図である。従来の最適パラメータ探索方法では、最適な予測パラメータを高速に得るため、予測パラメータの領域を分割しながら、最も有望な領域を探索していく方式がとられていた。 Next, a conventional optimum parameter search method will be described. 15 and 16 are diagrams for explaining an outline of a conventional optimum parameter search method. In the conventional optimum parameter search method, in order to obtain an optimum prediction parameter at high speed, a method of searching for the most promising area while dividing the prediction parameter area has been adopted.

具体的には、従来の最適パラメータ探索方法では、まず、図１５に示すように、予測パラメータの領域全体が幾つかの領域（図１５の例では、領域Ｒ１〜Ｒ４）に分割され、各領域内の代表となる予測パラメータが選択される。そして、選択された予測パラメータをもちいて予測が実行され、予測誤差、すなわち、予測結果が誤りとなる確率が求められる。 Specifically, in the conventional optimum parameter search method, first, as shown in FIG. 15, the entire region of the prediction parameter is divided into several regions (regions R1 to R4 in the example of FIG. 15). A representative prediction parameter is selected. Then, prediction is executed using the selected prediction parameter, and a prediction error, that is, a probability that the prediction result is erroneous is obtained.

続いて、最も予測誤差が低い予測パラメータが存在する領域が、選択され、再分割される。図１６は、領域Ｒ２が選択され、領域Ｒ２−１〜Ｒ２−４に再分割された例を示している。そして、再分割された各領域内の代表となる予測パラメータが選択され、選択された予測パラメータをもちいて予測が実行され、最も予測誤差が低い予測パラメータが存在する領域が再分割される。 Subsequently, the region where the prediction parameter with the lowest prediction error exists is selected and subdivided. FIG. 16 illustrates an example in which the region R2 is selected and subdivided into regions R2-1 to R2-4. Then, a representative prediction parameter in each subdivided region is selected, prediction is performed using the selected prediction parameter, and a region in which a prediction parameter with the lowest prediction error exists is subdivided.

こうして、予測パラメータの探索対象となる領域を限定していき、所定の閾値よりも低い予測誤差が得られた段階、もしくは、分割回数が所定の回数に達した段階で探索を中止し、その段階で最も低い予測誤差が得られた予測パラメータを最適な予測パラメータとする。 In this way, the region to be searched for the prediction parameter is limited, and the search is stopped when the prediction error lower than the predetermined threshold is obtained or when the division number reaches the predetermined number of times. The prediction parameter that provides the lowest prediction error is set as the optimal prediction parameter.

このように、従来の最適パラメータ探索方法は、領域を分割しながら予測パラメータの探索を進めていくため、最適な予測パラメータを高速に得ることができる。しかしながら、この方式では、例えば、図１５に示した例において、領域Ｒ３に真に最適な予測パラメータが存在する場合であっても、代表として選択された予測パラメータの予測誤差が領域Ｒ３よりも領域Ｒ２の方が低ければ、領域Ｒ３は探索対象外となるため、真に最適な予測パラメータが得られなくなってしまう可能性がある。 As described above, since the conventional optimum parameter search method advances the search for the prediction parameter while dividing the region, the optimum prediction parameter can be obtained at high speed. However, with this method, for example, in the example shown in FIG. 15, even when a truly optimal prediction parameter exists in the region R3, the prediction error of the prediction parameter selected as a representative region is higher than that in the region R3. If R2 is lower, the region R3 is excluded from the search target, and there is a possibility that a truly optimal prediction parameter cannot be obtained.

次に、本実施例に係る最適パラメータ探索方法について説明する。図２〜４は、本実施例に係る最適パラメータ探索方法の概要について説明するための図である。本実施例に係る最適パラメータ探索方法では、真に最適な予測パラメータを高速かつ高確率で得るため、予測パラメータと予測誤差（予測性能）の関係を近似する複数の近似関数を作成し、予測誤差（予測性能）の近似値の平均が良好な領域を探索していく。 Next, the optimum parameter search method according to this embodiment will be described. 2-4 is a figure for demonstrating the outline | summary of the optimal parameter search method based on a present Example. In the optimum parameter search method according to the present embodiment, in order to obtain a truly optimum prediction parameter at high speed and with high probability, a plurality of approximation functions that approximate the relationship between the prediction parameter and the prediction error (prediction performance) are created, and the prediction error A region where the average of the approximate values of (prediction performance) is favorable is searched.

具体的には、本実施例に係る最適パラメータ探索方法では、まず、図２に示すように、予測パラメータの領域全体から代表となる予測パラメータが複数選択される。そして、選択された予測パラメータをもちいて予測が実行され、予測誤差が求められる。 Specifically, in the optimum parameter search method according to the present embodiment, first, as shown in FIG. 2, a plurality of representative prediction parameters are selected from the entire prediction parameter region. Then, prediction is performed using the selected prediction parameter, and a prediction error is obtained.

続いて、図３に示すように、予測パラメータと予測誤差の関係を近似する近似関数が作成される。好ましくは、近似関数は、予測パラメータの組合せを変える等して複数作成される。例えば、上記の式のように、Ａ、ＢおよびＣという３つの予測パラメータが存在する場合は、例えば、
ｆａ（Ａ、Ｂ）≒予測誤差
や
ｆｂ（Ａ、Ｃ）≒予測誤差
のように、予測パラメータの組合せを変更して、予測誤差の近似値を計算する関数が複数作成される。 Subsequently, as shown in FIG. 3, an approximation function that approximates the relationship between the prediction parameter and the prediction error is created. Preferably, a plurality of approximate functions are created by changing combinations of prediction parameters. For example, when there are three prediction parameters A, B, and C as in the above equation, for example,
A plurality of functions for calculating an approximate value of the prediction error by changing the combination of the prediction parameters such as fa (A, B) ≈prediction error and fb (A, C) ≈prediction error are created.

そして、本実施例に係る最適パラメータ探索方法では、作成された近似関数により得られる予測誤差の近似値の平均値が良好な領域を対象として探索が進められる。例えば、図３の例では、２つの近似関数によって得られる予測誤差の近似曲線Ａ１およびＡ２の高さの平均が低い領域であるＴ１とＴ２の間を対象として探索がおこなわれる。 In the optimum parameter search method according to the present embodiment, the search is advanced for a region where the average value of the approximate values of the prediction errors obtained by the generated approximate function is good. For example, in the example of FIG. 3, the search is performed between T1 and T2, which is a region where the average height of the approximation curves A1 and A2 of the prediction error obtained by two approximation functions is low.

ここで、複数の近似関数を作成し、その平均値が良好な領域を探索対象としているのは、作成された近似関数の精度の問題によって、真に最適なパラメータが探索されなくなることを防止するためである。単一の近似関数だけに基づいて探索対象の領域を定めた場合には、適切な領域が探索対象とされるか否かが、その近似関数の精度に大きく依存することになるが、複数の近似関数を作成し、その平均値が良い領域を探索対象とすれば、個々の近似関数の精度の問題は軽減される。 Here, creating a plurality of approximate functions and searching for an area where the average value is good prevents the optimal parameters from being searched for due to the accuracy of the generated approximate function. Because. When a search target region is determined based on only a single approximation function, whether or not an appropriate region is a search target depends largely on the accuracy of the approximation function. If an approximation function is created and an area having a good average value is searched, the problem of accuracy of each approximation function is reduced.

続いて、本実施例に係る最適パラメータ探索方法では、図４に示すように、近似関数により得られる予測誤差の近似値の平均値が良好な領域から代表となる予測パラメータが複数選択される。そして、選択された予測パラメータをもちいて予測が実行され、予測誤差が求められ、求められた予測誤差を加味して近似関数が更新される。 Subsequently, in the optimum parameter search method according to the present embodiment, as shown in FIG. 4, a plurality of representative prediction parameters are selected from an area where the average value of the approximate values of prediction errors obtained by the approximation function is good. Then, prediction is executed using the selected prediction parameter, a prediction error is obtained, and the approximate function is updated in consideration of the obtained prediction error.

この処理を何度か繰り返すうちに、各近似関数の精度が高まっていき、探索領域が徐々に狭まっていく。そして、処理回数が所定の回数に達した段階で探索を中止し、その段階で最も低い予測誤差が得られた予測パラメータを最適な予測パラメータとする。 As this process is repeated several times, the accuracy of each approximate function increases and the search area gradually narrows. Then, the search is stopped when the number of processing times reaches a predetermined number, and the prediction parameter with the lowest prediction error at that stage is set as the optimum prediction parameter.

このように、本実施例に係る最適パラメータ探索方法では、予測誤差（予測性能）の近似関数の精度の向上に合わせて探索領域を限定していくため、予測誤差（予測性能）の近似関数の精度の影響を過度に受けることなく、探索領域を限定していくことができ、真に最適なパラメータが存在する領域が探索対象外となることを回避することができる。 As described above, in the optimum parameter search method according to the present embodiment, the search area is limited in accordance with the improvement of the accuracy of the approximation function of the prediction error (prediction performance). The search area can be limited without being excessively affected by the accuracy, and it is possible to avoid the area where the truly optimal parameter exists from being excluded from the search target.

次に、本実施例に係る最適パラメータ探索方法をもちいて予測器の予測パラメータの最適化をおこなう最適パラメータ探索装置１００について説明する。図５は、最適パラメータ探索装置１００の構成を示す機能ブロック図である。同図に示すように、最適パラメータ探索装置１００は、制御部１１０と、記憶部１２０と、ユーザインターフェース部１３０とを有する。ユーザインターフェース部１３０は、利用者との間で情報のやりとりをおこなう処理部であり、キーボードや液晶ディスプレイ等からなる。 Next, the optimum parameter search apparatus 100 that optimizes the prediction parameters of the predictor using the optimum parameter search method according to the present embodiment will be described. FIG. 5 is a functional block diagram showing the configuration of the optimum parameter search apparatus 100. As shown in the figure, the optimum parameter search apparatus 100 includes a control unit 110, a storage unit 120, and a user interface unit 130. The user interface unit 130 is a processing unit that exchanges information with the user, and includes a keyboard, a liquid crystal display, and the like.

制御部１１０は、最適パラメータ探索装置１００を全体制御する制御部であり、データサンプリング部１１１と、予測パラメータ生成部１１２と、予測パラメータ選抜部１１３と、予測器作成部１１４と、予測性能評価部１１５と、近似関数生成部１１６と、評価結果出力部１１７とを有する。 The control unit 110 is a control unit that totally controls the optimum parameter search apparatus 100, and includes a data sampling unit 111, a prediction parameter generation unit 112, a prediction parameter selection unit 113, a predictor creation unit 114, and a prediction performance evaluation unit. 115, an approximate function generation unit 116, and an evaluation result output unit 117.

データサンプリング部１１１は、予測対象の事象の実績データである記憶部１２０の分析対象データ１２１の一部を抜粋して、予測器の予測ルールを設定するためにもちいられる予測器作成データ１２２と、作成された予測器の性能を評価するためにもちいられる予測性能評価データ１２３とを生成し、記憶部１２０に記憶させる処理部である。 The data sampling unit 111 extracts a part of the analysis target data 121 of the storage unit 120 that is the actual data of the event to be predicted, and predictor creation data 122 that is used to set the prediction rule of the predictor; This is a processing unit that generates predicted performance evaluation data 123 that is used to evaluate the performance of the created predictor and stores it in the storage unit 120.

ここで、ある商品を顧客が購入するか否かを予測する場合における分析対象データ１２１、予測器作成データ１２２および予測性能評価データ１２３の例を示す。図６は、分析対象データ１２１の一例を示す図である。同図に示すように、分析対象データ１２１は、顧客番号、年齢、年収といった顧客の属性情報と、その顧客が当該の商品を購入したか否かを示す購入実績のような実績情報とを含んでいる。 Here, an example of analysis target data 121, predictor creation data 122, and predicted performance evaluation data 123 when predicting whether or not a customer purchases a certain product is shown. FIG. 6 is a diagram illustrating an example of the analysis target data 121. As shown in the figure, the analysis target data 121 includes customer attribute information such as customer number, age, and annual income, and record information such as purchase record indicating whether or not the customer has purchased the product. It is out.

顧客番号は、顧客を識別するための識別番号である。年齢は、その顧客の年齢であり、年収は、その顧客の年収である。購入実績は、その顧客が当該の商品を購入している場合に「１」となり、購入していない場合に「０」となる。 The customer number is an identification number for identifying the customer. Age is the age of the customer, and annual income is the annual income of the customer. The purchase record is “1” when the customer has purchased the product, and “0” when the customer has not purchased the product.

図７は、予測器作成データ１２２の一例を示す図であり、図８は、予測性能評価データ１２３の一例を示す図である。これらの図が示すように、予測器作成データ１２２および予測性能評価データ１２３は、分析対象データ１２１と同様の構成を有し、分析対象データ１２１の一部を抜粋して作成される。 FIG. 7 is a diagram illustrating an example of the predictor creation data 122, and FIG. 8 is a diagram illustrating an example of the predicted performance evaluation data 123. As shown in these figures, the predictor creation data 122 and the predicted performance evaluation data 123 have the same configuration as the analysis target data 121 and are created by extracting a part of the analysis target data 121.

なお、データサンプリング部１１１は、同一のデータが予測器作成データ１２２および予測性能評価データ１２３の両方に含まれることがないように抜粋をおこなう。これは、予測器を作成するためのデータと、予測器の性能を評価するためのデータに同一のデータが含まれていると、予測器の性能が不当に高く評価されてしまう可能性があるためである。 Note that the data sampling unit 111 performs extraction so that the same data is not included in both the predictor creation data 122 and the predicted performance evaluation data 123. This is because if the same data is included in the data for creating the predictor and the data for evaluating the performance of the predictor, the performance of the predictor may be unfairly evaluated. Because.

また、データサンプリング部１１１は、近似関数が更新され、探索領域が設定し直される度に、予測器作成データ１２２および予測性能評価データ１２３を生成し直す。これは、データの偏りが原因で、予測パラメータが誤って最適化されることを防止するためである。 Further, the data sampling unit 111 regenerates the predictor creation data 122 and the prediction performance evaluation data 123 every time the approximation function is updated and the search area is reset. This is to prevent the prediction parameter from being erroneously optimized due to data bias.

予測パラメータ生成部１１２は、予測器が予測にもちいる予測パラメータを生成する処理部である。予測パラメータの生成は、ランダムサンプリングによりおこなうこともできるし、後述する予測性能評価結果データ１２５を参照して、既に作成済みのパラメータの隙間を埋めるようにサンプリングすることによりおこなうこともできる。 The prediction parameter generation unit 112 is a processing unit that generates a prediction parameter used by the predictor for prediction. The generation of the prediction parameter can be performed by random sampling, or can be performed by referring to prediction performance evaluation result data 125 described later and sampling so as to fill a gap between already created parameters.

図９は、予測パラメータ生成部１１２によって生成される予測パラメータの一例を示す図である。同図に示すように、Ａ、Ｂ、Ｃといった予測パラメータは、組み合わせて管理される。そして、予測パラメータの組合せは、ＩＤによって識別される。 FIG. 9 is a diagram illustrating an example of a prediction parameter generated by the prediction parameter generation unit 112. As shown in the figure, prediction parameters such as A, B, and C are managed in combination. The combination of prediction parameters is identified by the ID.

予測パラメータ選抜部１１３は、予測パラメータ生成部１１２によって生成された予測パラメータから、最適な予測パラメータの候補を選抜する処理部である。具体的には、予測パラメータ選抜部１１３は、近似関数生成部１１６によって生成された各近似関数（予測パラメータを引数として予測性能の近似値を出力する関数）に予測パラメータ生成部１１２によって生成された予測パラメータを適用して予測性能の近似値を算出し、算出された予測性能の近似値の平均値が良好な予測パラメータを所定の個数選抜し、最適な予測パラメータの候補とする。 The prediction parameter selection unit 113 is a processing unit that selects optimal prediction parameter candidates from the prediction parameters generated by the prediction parameter generation unit 112. Specifically, the prediction parameter selection unit 113 is generated by the prediction parameter generation unit 112 for each approximation function (a function that outputs an approximate value of prediction performance using the prediction parameter as an argument) generated by the approximation function generation unit 116. By applying the prediction parameter, an approximate value of the prediction performance is calculated, and a predetermined number of prediction parameters having a good average value of the calculated prediction performance approximate values are selected to be candidates for the optimal prediction parameter.

このように、最適パラメータ探索装置１００は、予測パラメータ生成部１１２によって生成された予測パラメータの予測性能を予測パラメータ選抜部１１３が近似関数をもちいて評価し、評価結果が良好な予測パラメータを選抜することにより、最良な予測パラメータの探索範囲を絞り込んでいる。 As described above, in the optimal parameter search apparatus 100, the prediction parameter selection unit 113 evaluates the prediction performance of the prediction parameter generated by the prediction parameter generation unit 112 using the approximation function, and selects a prediction parameter with a good evaluation result. This narrows down the search range for the best prediction parameter.

予測器作成部１１４は、予測パラメータ選抜部１１３によって選抜された予測パラメータと、予測器作成データ１２２とを照合して、予測パラメータに対応する判定ルールを生成し、予測パラメータと判定ルールの組合せからなる予測器を作成する処理部である。 The predictor creation unit 114 collates the prediction parameter selected by the prediction parameter selection unit 113 with the predictor creation data 122, generates a determination rule corresponding to the prediction parameter, and uses a combination of the prediction parameter and the determination rule. It is a processing part which produces the predictor which becomes.

具体的には、予測パラメータを係数等として含む所定の計算式に、予測器作成データ１２２の各データの属性情報部分を適用して計算結果を求め、その計算結果と当該のデータの実績情報部分の相関を統計処理する等して分析し、計算結果から実績情報部分を導出するための判定ルールを導出する。ここで導出される判定ルールは、例えば、閾値を設けて、計算結果と閾値の比較結果により、実績情報部分を予測するというものである。 Specifically, the attribute information portion of each data of the predictor creation data 122 is applied to a predetermined calculation formula including a prediction parameter as a coefficient or the like to obtain a calculation result, and the calculation result and the actual information portion of the data Are analyzed by statistical processing or the like, and a determination rule for deriving the result information portion from the calculation result is derived. The determination rule derived here is, for example, that a threshold value is provided, and the result information portion is predicted based on a comparison result between the calculation result and the threshold value.

図１０は、予測器作成部１１４によって作成される予測器の一例を示す図である。同図に示すように、予測器作成部１１４によって作成される予測器は、予測パラメータ生成部１１２によって生成される予測パラメータに、判定ルールを加えたものとなる。例えば、１行目の予測パラメータに加えられている「計算結果＞２００→１」という判定ルールは、計算結果が２００よりも大きければ、予測結果として１を出力し、さもなければ予測結果として規定値である０を出力すべき旨を示している。 FIG. 10 is a diagram illustrating an example of a predictor created by the predictor creation unit 114. As shown in the figure, the predictor created by the predictor creator 114 is obtained by adding a determination rule to the prediction parameter generated by the prediction parameter generator 112. For example, the determination rule “calculation result> 200 → 1” added to the prediction parameter in the first row outputs 1 as the prediction result if the calculation result is larger than 200, otherwise it is defined as the prediction result. The value 0 is to be output.

予測性能評価部１１５は、予測器作成部１１４によって作成された予測器に予測性能評価データ１２３の属性情報部分を適用して予測をおこない、予測結果が当該のデータの実績情報部分と一致するか否かを確認していくことにより、各予測器の予測性能の高さ（予測誤差の少なさ）を評価する処理部である。予測性能評価部１１５は、評価結果を記憶部１２０の予測性能評価結果データ１２５に記録する。 The prediction performance evaluation unit 115 performs prediction by applying the attribute information portion of the prediction performance evaluation data 123 to the predictor created by the predictor creation unit 114, and whether the prediction result matches the actual information portion of the data. It is a processing unit that evaluates the high prediction performance (small prediction error) of each predictor by checking whether or not. The predicted performance evaluation unit 115 records the evaluation result in the predicted performance evaluation result data 125 of the storage unit 120.

図１１は、予測性能評価結果データ１２５の一例を示す図である。同図に示すように、予測性能評価結果データ１２５は、予測器毎に予測誤差率を予測性能として記録したものである。例えば、１行目の予測性能の値は「０．２」となっており、同行の予測器は、２割の確率で誤った予測結果を出力することを示している。 FIG. 11 is a diagram illustrating an example of the predicted performance evaluation result data 125. As shown in the figure, the prediction performance evaluation result data 125 is obtained by recording a prediction error rate as prediction performance for each predictor. For example, the prediction performance value of the first row is “0.2”, which indicates that the predictor of the same row outputs an erroneous prediction result with a 20% probability.

また、予測性能評価部１１５は、各予測器の予測性能を評価する過程において、予測性能評価部１１５の各データ毎に予測器が誤った予測結果を出力した回数を集計し、その結果を記憶部１２０の誤判定データ１２４に記録する。 In addition, the prediction performance evaluation unit 115 counts the number of times the predictor outputs an incorrect prediction result for each data of the prediction performance evaluation unit 115 in the process of evaluating the prediction performance of each predictor, and stores the result. This is recorded in the erroneous determination data 124 of the unit 120.

図１２は、誤判定データ１２４の一例を示す図である。同図に示した例では、予測性能評価部１１５の各データを識別するための番号である顧客番号毎に、そのデータをもちいて予測器の性能を評価した際に誤った予測結果が出力された回数が記録されている。このように、データ毎に誤判定の回数を記録しておくことにより、特異性のあるデータを抽出することが可能になり、例えば、予測器の性能が期待するほど最適化されない場合に、その原因を検討するための有力な情報を得ることができる。 FIG. 12 is a diagram illustrating an example of the erroneous determination data 124. In the example shown in the figure, for each customer number that is a number for identifying each data of the prediction performance evaluation unit 115, an erroneous prediction result is output when the performance of the predictor is evaluated using the data. The number of times recorded is recorded. Thus, by recording the number of misjudgments for each data, it becomes possible to extract specific data, for example, when the performance of the predictor is not optimized as expected, Influential information for investigating the cause can be obtained.

近似関数生成部１１６は、予測性能評価結果データ１２５に基づいて、予測パラメータと予測性能の関係を近似する近似関数を生成する処理部である。近似関数生成部１１６は、予測パラメータの組合せを変える等して近似関数を複数作成する。なお、予測パラメータをどのように組み合わせて、何個の近似関数を作成するかについては、予測パラメータの数や予測対象の事象の特性等に合わせて適宜設定することができる。 The approximate function generation unit 116 is a processing unit that generates an approximate function that approximates the relationship between the prediction parameter and the prediction performance based on the prediction performance evaluation result data 125. The approximate function generation unit 116 creates a plurality of approximate functions by changing combinations of prediction parameters. Note that how the prediction parameters are combined and how many approximate functions are created can be appropriately set according to the number of prediction parameters, the characteristics of the event to be predicted, and the like.

最適パラメータ探索装置１００は、近似関数生成部１１６による近似関数の作成が完了すると、データサンプリング部１１１に、予測器作成データ１２２と予測性能評価データ１２３を再作成させる。そして、予測パラメータ生成部１１２に新たな予測パラメータを作成させ、近似関数生成部１１６によって作成された近似関数をもちいた予測パラメータの選抜を予測パラメータ選抜部１１３におこなわせる。 The optimal parameter search apparatus 100 causes the data sampling unit 111 to recreate the predictor creation data 122 and the prediction performance evaluation data 123 when the creation of the approximation function by the approximation function generation unit 116 is completed. Then, the prediction parameter generation unit 112 is made to create a new prediction parameter, and the prediction parameter selection unit 113 is made to select a prediction parameter using the approximation function created by the approximation function generation unit 116.

そして、選抜された予測パラメータと予測器作成データ１２２に基づく予測器の作成を予測器作成部１１４におこなわせ、作成された予測器の評価を予測性能評価部１１５におこなわせ、予測性能評価結果データ１２５にそれらの予測器の評価結果を追加させる。そして、新たな評価結果が追加された予測性能評価結果データ１２５に基づいた近似関数を近似関数生成部１１６に生成させる。 Then, the predictor creation unit 114 creates a predictor based on the selected prediction parameter and the predictor creation data 122, and the forecast performance evaluation unit 115 evaluates the created predictor. The evaluation result of those predictors is added to the data 125. Then, the approximate function generation unit 116 generates an approximate function based on the predicted performance evaluation result data 125 to which the new evaluation result is added.

最適パラメータ探索装置１００は、この一連の処理を所定の回数繰り返すことにより、探索領域を適切に絞り込みながら、最適な予測パラメータを探索していく。そして、その過程において評価された予測器（予測パラメータと判定ルールの組合せ）の評価結果は、予測性能評価結果データ１２５に記録されていく。 The optimum parameter search apparatus 100 searches for the optimum prediction parameter while appropriately narrowing down the search area by repeating this series of processes a predetermined number of times. Then, the evaluation result of the predictor (the combination of the prediction parameter and the determination rule) evaluated in the process is recorded in the prediction performance evaluation result data 125.

評価結果出力部１１７は、上記の一連の処理が完了した後に、予測性能評価結果データ１２５と誤判定データ１２４の内容を出力する処理部である。なお、評価結果出力部１１７は、予測性能評価結果データ１２５や誤判定データ１２４の内容を全件出力することもできるし、例えば、予測性能が高いデータや誤判定回数が多いデータを選択して抽出するというように所定の検索条件に合うデータのみを出力することもできる。 The evaluation result output unit 117 is a processing unit that outputs the contents of the predicted performance evaluation result data 125 and the erroneous determination data 124 after the series of processes described above is completed. The evaluation result output unit 117 can output all the contents of the predicted performance evaluation result data 125 and the erroneous determination data 124. For example, the evaluation result output unit 117 selects data with high predicted performance or data with a large number of erroneous determinations. Only data that meets a predetermined search condition can be output, such as extraction.

次に、図５に示した最適パラメータ探索装置１００の処理手順について説明する。図１３は、最適パラメータ探索装置１００の処理手順を示すフローチャートである。同図に示すように、最適パラメータ探索装置１００が、繰り返し計算回数Ｌを取得すると（ステップＳ１０１）、データサンプリング部１１１が、Ｎ件の予測パラメータを生成する（ステップＳ１０２）。 Next, the processing procedure of the optimum parameter search apparatus 100 shown in FIG. 5 will be described. FIG. 13 is a flowchart showing the processing procedure of the optimum parameter search apparatus 100. As shown in the figure, when the optimum parameter search apparatus 100 acquires the number of repeated calculations L (step S101), the data sampling unit 111 generates N prediction parameters (step S102).

ここで、繰り返し計算回数Ｌが０よりも大きければ（ステップＳ１０３肯定）、データサンプリング部１１１が、分析対象データ１２１から予測器作成データ１２２を作成し（ステップＳ１０４）、さらに、分析対象データ１２１から予測性能評価データ１２３を作成する（ステップＳ１０５）。 Here, if the number of repeated calculations L is greater than 0 (Yes at Step S103), the data sampling unit 111 creates predictor creation data 122 from the analysis target data 121 (Step S104), and further from the analysis target data 121. Predictive performance evaluation data 123 is created (step S105).

そして、予測器作成部１１４が、Ｎ件の予測パラメータと予測器作成データ１２２に基づいてＮ件の予測器を作成し（ステップＳ１０６）、予測性能評価部１１５が、予測性能評価データ１２３をもちいてそれらの予測器の性能を評価し（ステップＳ１０７）、各予測器の評価結果を予測性能評価結果データ１２５に出力するとともに（ステップＳ１０８）、誤判定となった予測性能評価データ１２３の集計結果を誤判定データ１２４に出力する（ステップＳ１０９）。 The predictor creation unit 114 creates N predictors based on the N prediction parameters and the predictor creation data 122 (step S106), and the prediction performance evaluation unit 115 uses the prediction performance evaluation data 123. Then, the performance of the predictors is evaluated (step S107), and the evaluation results of the respective predictors are output to the predicted performance evaluation result data 125 (step S108), and the total results of the predicted performance evaluation data 123 that are erroneously determined. Is output to the erroneous determination data 124 (step S109).

続いて、近似関数生成部１１６が、予測性能評価結果データ１２５に基づいて、予測パラメータと予測性能の関係を近似する近似関数を生成する（ステップＳ１１０）。そして、データサンプリング部１１１が、Ｍ（Ｍ＞Ｎ）件の予測パラメータを生成し（ステップＳ１１１）、予測パラメータ選抜部１１３が、近似関数をもちいて各予測パラメータの予測性能を評価して（ステップＳ１１２）、予測性能の平均値が良好な予測パラメータをＮ件選抜する（ステップＳ１１３）。 Subsequently, the approximate function generation unit 116 generates an approximate function that approximates the relationship between the prediction parameter and the prediction performance based on the prediction performance evaluation result data 125 (step S110). Then, the data sampling unit 111 generates M (M> N) prediction parameters (Step S111), and the prediction parameter selection unit 113 evaluates the prediction performance of each prediction parameter using an approximation function (Step S111). S112) N prediction parameters having a good average prediction performance are selected (step S113).

そして、最適パラメータ探索装置１００は、繰り返し計算回数Ｌを１だけ減算し（ステップＳ１１４）、繰り返し計算回数Ｌが０以下になるまで、ステップＳ１０３〜１１４を繰り返し実行する。そして、繰り返し計算回数Ｌが０以下になったならば（ステップＳ１０３否定）、評価結果出力部１１７が、予測性能評価結果データ１２５の内容を出力し（ステップＳ１１５）、さらに、誤判定データ１２４の内容を出力する（ステップＳ１１６）。 Then, the optimum parameter search apparatus 100 subtracts 1 from the number of iterations L (Step S114), and repeatedly executes Steps S103 to S114 until the number of iterations L is 0 or less. If the number of repeated calculations L is 0 or less (No at Step S103), the evaluation result output unit 117 outputs the contents of the predicted performance evaluation result data 125 (Step S115). The contents are output (step S116).

なお、図５に示した本実施例に係る最適パラメータ探索装置１００の構成は、本発明の要旨を逸脱しない範囲で種々に変更することができる。例えば、最適パラメータ探索装置１００の制御部１１０の機能をソフトウェアとして実装し、これをコンピュータで実行することにより、最適パラメータ探索装置１００と同等の機能を実現することもできる。以下に、制御部１１０の機能をソフトウェアとして実装した最適パラメータ探索プログラム１０７１を実行するコンピュータの一例を示す。 The configuration of the optimum parameter search apparatus 100 according to the present embodiment shown in FIG. 5 can be variously changed without departing from the gist of the present invention. For example, the function equivalent to that of the optimum parameter searching apparatus 100 can be realized by mounting the function of the control unit 110 of the optimum parameter searching apparatus 100 as software and executing the function by a computer. An example of a computer that executes the optimum parameter search program 1071 in which the function of the control unit 110 is implemented as software is shown below.

図１４は、最適パラメータ探索プログラム１０７１を実行するコンピュータ１０００を示す機能ブロック図である。このコンピュータ１０００は、各種演算処理を実行するＣＰＵ（Central Processing Unit）１０１０と、ユーザからのデータの入力を受け付ける入力装置１０２０と、各種情報を表示するモニタ１０３０と、記録媒体からプログラム等を読み取る媒体読取り装置１０４０と、ネットワークを介して他のコンピュータとの間でデータの授受をおこなうネットワークインターフェース装置１０５０と、各種情報を一時記憶するＲＡＭ（Random Access Memory）１０６０と、ハードディスク装置１０７０とをバス１０８０で接続して構成される。 FIG. 14 is a functional block diagram showing a computer 1000 that executes the optimum parameter search program 1071. The computer 1000 includes a CPU (Central Processing Unit) 1010 that executes various arithmetic processes, an input device 1020 that receives input of data from a user, a monitor 1030 that displays various information, and a medium that reads a program from a recording medium. A bus 1080 includes a reading device 1040, a network interface device 1050 that exchanges data with other computers via a network, a RAM (Random Access Memory) 1060 that temporarily stores various information, and a hard disk device 1070. Connected and configured.

そして、ハードディスク装置１０７０には、図５に示した制御部１１０と同様の機能を有する最適パラメータ探索プログラム１０７１と、図５に示した記憶部１２０に記憶される各種データに対応する最適パラメータ探索用データ１０７２とが記憶される。なお、最適パラメータ探索用データ１０７２を、適宜分散させ、ネットワークを介して接続された他のコンピュータに記憶させておくこともできる。 The hard disk device 1070 includes an optimum parameter search program 1071 having the same function as that of the control unit 110 shown in FIG. 5 and optimum parameter search corresponding to various data stored in the storage unit 120 shown in FIG. Data 1072 is stored. The optimum parameter search data 1072 can be appropriately distributed and stored in another computer connected via a network.

そして、ＣＰＵ１０１０が最適パラメータ探索プログラム１０７１をハードディスク装置１０７０から読み出してＲＡＭ１０６０に展開することにより、最適パラメータ探索プログラム１０７１は、最適パラメータ探索プロセス１０６１として機能するようになる。そして、最適パラメータ探索プロセス１０６１は、最適パラメータ探索用データ１０７２から読み出した情報等を適宜ＲＡＭ１０６０上の自身に割り当てられた領域に展開し、この展開したデータ等に基づいて各種データ処理を実行する。 Then, the CPU 1010 reads the optimum parameter search program 1071 from the hard disk device 1070 and develops it in the RAM 1060, whereby the optimum parameter search program 1071 functions as the optimum parameter search process 1061. Then, the optimal parameter search process 1061 expands information read from the optimal parameter search data 1072 and the like in an area allocated to itself on the RAM 1060 as appropriate, and executes various data processing based on the expanded data.

なお、上記の最適パラメータ探索プログラム１０７１は、必ずしもハードディスク装置１０７０に格納されている必要はなく、ＣＤ−ＲＯＭ等の記憶媒体に記憶されたこのプログラムを、コンピュータ１０００が読み出して実行するようにしてもよい。また、公衆回線、インターネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等を介してコンピュータ１０００に接続される他のコンピュータ（またはサーバ）等にこのプログラムを記憶させておき、コンピュータ１０００がこれらからプログラムを読み出して実行するようにしてもよい。 Note that the optimum parameter search program 1071 is not necessarily stored in the hard disk device 1070, and the computer 1000 may read and execute the program stored in a storage medium such as a CD-ROM. Good. The computer 1000 stores the program in another computer (or server) connected to the computer 1000 via a public line, the Internet, a LAN (Local Area Network), a WAN (Wide Area Network), or the like. You may make it read and run a program from these.

上述してきたように、本実施例では、性能評価値の近似関数に基づいてパラメータの探索領域を限定することにより、パラメータの性能評価の精度の向上に合わせて探索領域を段階的に限定することとしたので、真に最適なパラメータを高速かつ確実に選択することができる。 As described above, in this embodiment, by limiting the parameter search area based on the approximate function of the performance evaluation value, the search area is limited step by step in accordance with the improvement of the parameter performance evaluation accuracy. Therefore, it is possible to select a truly optimum parameter at high speed and with certainty.

なお、上記の実施例では、近似関数をもちいて求めた予測性能の良好な領域を探索する例を示したが、近似関数をもちいて求めた予測性能の分散が大きい領域を探索することとしてもよい。 In the above-described embodiment, an example of searching for a region with good prediction performance obtained using an approximate function has been shown. However, as an example of searching for a region where the variance of prediction performance obtained using an approximate function is large. Good.

予測パラメータが最適化されていることを説明するためには、予測パラメータと予測性能のデータ傾向を分かり易く提示することが重要であるが、従来の領域分割によるパラメータの最適化方法では、探索の疎な領域が多く、データ傾向を十分に把握することが困難であった。近似関数をもちいて求めた予測性能の分散が大きい領域を探索することにより、近似性能の精度が悪い領域を少なくすることができ、データ傾向を適切に説明することが可能になる。 In order to explain that the prediction parameters have been optimized, it is important to present the data trends of the prediction parameters and the prediction performance in an easy-to-understand manner. There were many sparse areas, and it was difficult to fully grasp the data trends. By searching for a region where the variance of the prediction performance obtained using the approximation function is large, the region where the accuracy of the approximation performance is poor can be reduced, and the data tendency can be explained appropriately.

（付記１）目的に最も適合するパラメータを探索する最適パラメータ探索プログラムであって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成手順と、
前記パラメータ生成手順によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価手順と、
前記性能評価手順の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成手順と、
前記近似関数生成手順によって生成された近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜手順と
をコンピュータに実行させることを特徴とする最適パラメータ探索プログラム。 (Supplementary note 1) An optimum parameter search program for searching for a parameter most suitable for the purpose,
A parameter generation procedure for generating parameters used for the purpose;
A performance evaluation procedure for obtaining a performance evaluation value indicating how much the parameters generated by the parameter generation procedure meet the purpose;
Based on the processing result of the performance evaluation procedure, an approximate function generation procedure for generating an approximate function indicating the relationship between parameters and performance evaluation values;
By applying the parameter generated by the parameter generation procedure to the approximate function generated by the approximate function generation procedure, and selecting a parameter with a good approximation value of the obtained performance evaluation value, the parameter search is performed. An optimal parameter search program that causes a computer to execute a parameter selection procedure for limiting an area.

（付記２）前記近似関数生成手順は、パラメータと性能評価値の関係を示す近似関数を複数生成し、前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜することを特徴とする付記１に記載の最適パラメータ探索プログラム。 (Appendix 2) The approximate function generation procedure generates a plurality of approximate functions indicating the relationship between parameters and performance evaluation values, and the parameter selection procedure includes the parameter generation procedure for each approximate function generated by the approximate function generation procedure. The optimal parameter search program according to supplementary note 1, wherein the parameter generated by the above is applied, and a parameter having a good average value of approximate values of the obtained performance evaluation values is preferentially selected.

（付記３）前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜する代わりに、得られた性能評価値の近似値の分散値が大きいパラメータを優先して選抜することを特徴とする付記２に記載の最適パラメータ探索プログラム。 (Appendix 3) In the parameter selection procedure, the parameters generated by the parameter generation procedure are applied to each approximation function generated by the approximation function generation procedure, and the average value of the approximate values of the obtained performance evaluation values is good. The optimal parameter search program according to supplementary note 2, wherein a parameter having a large variance value of the approximate value of the obtained performance evaluation value is selected preferentially instead of selecting a specific parameter preferentially.

（付記４）前記パラメータ生成手順によって生成されたパラメータをもちいて、所定の入力情報に対して得られる結果を予測する予測器を作成する予測器作成手順と、
入力情報と、該入力情報に対して実際に得られた結果との対応を示す分析対象データをサンプリングして、前記予測器作成手順が前記予測器を作成するためにもちいる予測器作成データと、前記性能評価手順が前記予測器の性能を評価するためにもちいる性能評価データとを生成するデータサンプリング手順と
をさらにコンピュータに実行させることを特徴とする付記１〜３のいずれか１つに記載の最適パラメータ探索プログラム。 (Additional remark 4) The predictor creation procedure which creates the predictor which estimates the result obtained with respect to predetermined | prescribed input information using the parameter produced | generated by the said parameter production | generation procedure,
Sampling the analysis target data indicating the correspondence between the input information and the results actually obtained for the input information, and predictor creation data used for the predictor creation procedure to create the predictor; Any one of appendices 1 to 3, further causing a computer to execute a data sampling procedure for generating performance evaluation data used by the performance evaluation procedure to evaluate the performance of the predictor The optimum parameter search program described.

（付記５）前記データサンプリング手順は、前記パラメータ選抜手順によってパラメータが選抜される度に、前記予測器作成データおよび前記性能評価データを再作成することを特徴とする付記４に記載の最適パラメータ探索プログラム。 (Supplementary note 5) The optimum parameter search according to supplementary note 4, wherein the data sampling procedure re-creates the predictor creation data and the performance evaluation data every time a parameter is selected by the parameter selection procedure. program.

（付記６）前記性能評価手順は、前記性能評価データに含まれる結果と、前記性能評価データに含まれる入力情報を前記予測器に適用した場合に得られる予測値との相違を示す情報を出力することを特徴とする付記４または５に記載の最適パラメータ探索プログラム。 (Additional remark 6) The said performance evaluation procedure outputs the information which shows the difference between the result contained in the said performance evaluation data, and the predicted value obtained when the input information contained in the said performance evaluation data is applied to the said predictor The optimal parameter search program according to appendix 4 or 5, characterized in that:

（付記７）目的に最も適合するパラメータを探索する最適パラメータ探索装置であって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成手段と、
前記パラメータ生成手段によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価手段と、
前記性能評価手段の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成手段と、
前記近似関数生成手段によって生成された近似関数に前記パラメータ生成手段によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜手段と
を備えたことを特徴とする最適パラメータ探索装置。 (Supplementary note 7) An optimum parameter search device for searching for a parameter most suitable for the purpose,
Parameter generating means for generating parameters used for the purpose;
A performance evaluation means for obtaining a performance evaluation value indicating how much the parameter generated by the parameter generation means fits the purpose;
Based on the processing result of the performance evaluation means, an approximate function generation means for generating an approximate function indicating the relationship between the parameter and the performance evaluation value;
The parameter search is performed by applying the parameter generated by the parameter generation unit to the approximation function generated by the approximation function generation unit and preferentially selecting a parameter having a good approximation value of the obtained performance evaluation value. An optimum parameter search device comprising: parameter selection means for limiting an area.

（付記８）前記近似関数生成手段は、パラメータと性能評価値の関係を示す近似関数を複数生成し、前記パラメータ選抜手段は、前記近似関数生成手段によって生成された各近似関数に前記パラメータ生成手段によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜することを特徴とする付記７に記載の最適パラメータ探索装置。 (Supplementary Note 8) The approximate function generating means generates a plurality of approximate functions indicating the relationship between parameters and performance evaluation values, and the parameter selecting means adds the parameter generating means to each approximate function generated by the approximate function generating means. 8. The optimum parameter search device according to appendix 7, wherein the parameter generated by the above is applied, and a parameter having a good average value of the approximate values of the obtained performance evaluation values is preferentially selected.

（付記９）前記パラメータ選抜手段は、前記近似関数生成手段によって生成された各近似関数に前記パラメータ生成手段によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜する代わりに、得られた性能評価値の近似値の分散値が大きいパラメータを優先して選抜することを特徴とする付記８に記載の最適パラメータ探索装置。 (Supplementary Note 9) The parameter selection unit applies the parameter generated by the parameter generation unit to each approximation function generated by the approximation function generation unit, and the average value of the approximate values of the obtained performance evaluation values is good. 9. The optimum parameter search apparatus according to appendix 8, wherein a parameter having a large variance value of the approximate value of the obtained performance evaluation value is selected preferentially, instead of selecting a specific parameter preferentially.

（付記１０）前記パラメータ生成手段によって生成されたパラメータをもちいて、所定の入力情報に対して得られる結果を予測する予測器を作成する予測器作成手段と、
入力情報と、該入力情報に対して実際に得られた結果との対応を示す分析対象データをサンプリングして、前記予測器作成手段が前記予測器を作成するためにもちいる予測器作成データと、前記性能評価手段が前記予測器の性能を評価するためにもちいる性能評価データとを生成するデータサンプリング手段と
をさらに備えたことを特徴とする付記７〜９のいずれか１つに記載の最適パラメータ探索装置。 (Supplementary Note 10) Predictor creating means for creating a predictor that predicts a result obtained for predetermined input information using the parameter generated by the parameter generating means;
Sampling analysis target data indicating correspondence between input information and results actually obtained for the input information, and predictor creation data used by the predictor creation means to create the predictor; Data sampling means for generating performance evaluation data used for the performance evaluation means to evaluate the performance of the predictor, and the data evaluation means according to any one of appendices 7 to 9, Optimal parameter search device.

（付記１１）前記データサンプリング手段は、前記パラメータ選抜手段によってパラメータが選抜される度に、前記予測器作成データおよび前記性能評価データを再作成することを特徴とする付記１０に記載の最適パラメータ探索装置。 (Supplementary note 11) The optimum parameter search according to supplementary note 10, wherein the data sampling means recreates the predictor creation data and the performance evaluation data each time a parameter is selected by the parameter selection means. apparatus.

（付記１２）前記性能評価手段は、前記性能評価データに含まれる結果と、前記性能評価データに含まれる入力情報を前記予測器に適用した場合に得られる予測値との相違を示す情報を出力することを特徴とする付記１０または１１に記載の最適パラメータ探索装置。 (Additional remark 12) The said performance evaluation means outputs the information which shows the difference between the result contained in the said performance evaluation data, and the predicted value obtained when the input information contained in the said performance evaluation data is applied to the said predictor The optimum parameter search device according to appendix 10 or 11, wherein:

（付記１３）目的に最も適合するパラメータを探索する最適パラメータ探索方法であって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成工程と、
前記パラメータ生成工程によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価工程と、
前記性能評価工程の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成工程と、
前記近似関数生成工程によって生成された近似関数に前記パラメータ生成工程によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜工程と
を含んだことを特徴とする最適パラメータ探索方法。 (Supplementary note 13) An optimum parameter search method for searching for a parameter most suitable for a purpose,
A parameter generating step for generating a parameter used for the purpose;
A performance evaluation step for obtaining a performance evaluation value indicating how much the parameters generated by the parameter generation step fit the purpose;
Based on the processing result of the performance evaluation step, an approximation function generation step for generating an approximation function indicating the relationship between the parameter and the performance evaluation value;
The parameter search is performed by applying the parameter generated by the parameter generation step to the approximation function generated by the approximation function generation step and preferentially selecting a parameter with a good approximation value of the obtained performance evaluation value. An optimal parameter search method comprising: a parameter selection step for limiting an area.

（付記１４）前記近似関数生成工程は、パラメータと性能評価値の関係を示す近似関数を複数生成し、前記パラメータ選抜工程は、前記近似関数生成工程によって生成された各近似関数に前記パラメータ生成工程によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜することを特徴とする付記１３に記載の最適パラメータ探索方法。 (Additional remark 14) The said approximate function production | generation process produces | generates a plurality of approximation functions which show the relationship between a parameter and a performance evaluation value, and the said parameter selection process adds the said parameter production | generation process to each approximation function produced | generated by the said approximation function generation process. 14. The optimum parameter search method according to appendix 13, wherein the parameter generated by the above is applied, and a parameter having a good average value of approximate values of the obtained performance evaluation values is selected with priority.

（付記１５）前記パラメータ選抜工程は、前記近似関数生成工程によって生成された各近似関数に前記パラメータ生成工程によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜する代わりに、得られた性能評価値の近似値の分散値が大きいパラメータを優先して選抜することを特徴とする付記１４に記載の最適パラメータ探索方法。 (Supplementary Note 15) In the parameter selection step, the parameter generated by the parameter generation step is applied to each approximation function generated by the approximation function generation step, and the average value of the approximate values of the obtained performance evaluation values is good 15. The optimum parameter search method according to appendix 14, wherein a parameter having a large variance value of the approximate value of the obtained performance evaluation value is preferentially selected instead of preferentially selecting a new parameter.

（付記１６）前記パラメータ生成工程によって生成されたパラメータをもちいて、所定の入力情報に対して得られる結果を予測する予測器を作成する予測器作成工程と、
入力情報と、該入力情報に対して実際に得られた結果との対応を示す分析対象データをサンプリングして、前記予測器作成工程が前記予測器を作成するためにもちいる予測器作成データと、前記性能評価工程が前記予測器の性能を評価するためにもちいる性能評価データとを生成するデータサンプリング工程と
をさらに含んだことを特徴とする付記１３〜１５のいずれか１つに記載の最適パラメータ探索方法。 (Additional remark 16) The predictor creation process which creates the predictor which estimates the result obtained with respect to predetermined | prescribed input information using the parameter produced | generated by the said parameter production | generation process,
Sampling analysis target data indicating correspondence between input information and results actually obtained for the input information, and predictor creation data used for creating the predictor in the predictor creation step; A data sampling step for generating performance evaluation data used for evaluating the performance of the predictor in the performance evaluation step, further comprising: A data sampling step according to any one of appendices 13 to 15, Optimal parameter search method.

（付記１７）前記データサンプリング工程は、前記パラメータ選抜工程によってパラメータが選抜される度に、前記予測器作成データおよび前記性能評価データを再作成することを特徴とする付記１６に記載の最適パラメータ探索方法。 (Supplementary note 17) The optimum parameter search according to supplementary note 16, wherein the data sampling step re-creates the predictor creation data and the performance evaluation data each time a parameter is selected by the parameter selection step. Method.

（付記１８）前記性能評価工程は、前記性能評価データに含まれる結果と、前記性能評価データに含まれる入力情報を前記予測器に適用した場合に得られる予測値との相違を示す情報を出力することを特徴とする付記１６または１７に記載の最適パラメータ探索方法。 (Supplementary Note 18) The performance evaluation step outputs information indicating a difference between a result included in the performance evaluation data and a predicted value obtained when input information included in the performance evaluation data is applied to the predictor. The optimal parameter search method according to supplementary note 16 or 17, characterized by:

以上のように、本発明に係る最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法は、目的に最も適合するパラメータの探索に有用であり、特に、真に最適なパラメータを高速かつ確実に選択することが必要な場合に適している。 As described above, the optimum parameter search program, the optimum parameter search apparatus, and the optimum parameter search method according to the present invention are useful for searching for a parameter that best suits the purpose. Suitable when it is necessary to select.

予測器について説明するための図である。It is a figure for demonstrating a predictor. 本実施例に係る最適パラメータ探索方法の概要について説明するための図である。It is a figure for demonstrating the outline | summary of the optimal parameter search method which concerns on a present Example. 本実施例に係る最適パラメータ探索方法の概要について説明するための図である。It is a figure for demonstrating the outline | summary of the optimal parameter search method which concerns on a present Example. 本実施例に係る最適パラメータ探索方法の概要について説明するための図である。It is a figure for demonstrating the outline | summary of the optimal parameter search method which concerns on a present Example. 本実施例に係る最適パラメータ探索装置の構成を示す機能ブロック図である。It is a functional block diagram which shows the structure of the optimal parameter search apparatus which concerns on a present Example. 分析対象データの一例を示す図である。It is a figure which shows an example of analysis object data. 予測器作成データの一例を示す図である。It is a figure which shows an example of predictor preparation data. 予測性能評価データの一例を示す図である。It is a figure which shows an example of prediction performance evaluation data. 予測パラメータの一例を示す図である。It is a figure which shows an example of a prediction parameter. 予測器の一例を示す図である。It is a figure which shows an example of a predictor. 予測性能評価結果データの一例を示す図である。It is a figure which shows an example of prediction performance evaluation result data. 誤判定データの一例を示す図である。It is a figure which shows an example of misjudgment data. 最適パラメータ探索装置の処理手順を示すフローチャートである。It is a flowchart which shows the process sequence of an optimal parameter search apparatus. 最適パラメータ探索プログラムを実行するコンピュータを示す機能ブロック図である。It is a functional block diagram which shows the computer which performs the optimal parameter search program. 従来の最適パラメータ探索方法の概要について説明するための図である。It is a figure for demonstrating the outline | summary of the conventional optimal parameter search method. 従来の最適パラメータ探索方法の概要について説明するための図である。It is a figure for demonstrating the outline | summary of the conventional optimal parameter search method.

符号の説明Explanation of symbols

１予測器
２入力データ
３出力データ
１００最適パラメータ探索装置
１１０制御部
１１１データサンプリング部
１１２予測パラメータ生成部
１１３予測パラメータ選抜部
１１４予測器作成部
１１５予測性能評価部
１１６近似関数生成部
１１７評価結果出力部
１２０記憶部
１２１分析対象データ
１２２予測器作成データ
１２３予測性能評価データ
１２４誤判定データ
１２５予測性能評価結果データ
１３０ユーザインターフェース部
１０００コンピュータ
１０１０ＣＰＵ
１０２０入力装置
１０３０モニタ
１０４０媒体読取り装置
１０５０ネットワークインターフェース装置
１０６０ＲＡＭ
１０６１最適パラメータ探索プロセス
１０７０ハードディスク装置
１０７１最適パラメータ探索プログラム
１０７２最適パラメータ探索用データ
１０８０バス DESCRIPTION OF SYMBOLS 1 Predictor 2 Input data 3 Output data 100 Optimal parameter search apparatus 110 Control part 111 Data sampling part 112 Prediction parameter generation part 113 Prediction parameter selection part 114 Predictor creation part 115 Prediction performance evaluation part 116 Approximate function generation part 117 Evaluation result output Unit 120 storage unit 121 analysis target data 122 predictor creation data 123 prediction performance evaluation data 124 misjudgment data 125 prediction performance evaluation result data 130 user interface unit 1000 computer 1010 CPU
1020 Input device 1030 Monitor 1040 Medium reader 1050 Network interface device 1060 RAM
1061 Optimal parameter search process 1070 Hard disk device 1071 Optimal parameter search program 1072 Optimal parameter search data 1080 Bus

Claims

目的に最も適合するパラメータを探索する最適パラメータ探索プログラムであって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成手順と、
前記パラメータ生成手順によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価手順と、
前記性能評価手順の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成手順と、
前記近似関数生成手順によって生成された近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜手順と
をコンピュータに実行させることを特徴とする最適パラメータ探索プログラム。 An optimum parameter search program for searching for a parameter most suitable for the purpose,
A parameter generation procedure for generating parameters used for the purpose;
A performance evaluation procedure for obtaining a performance evaluation value indicating how much the parameters generated by the parameter generation procedure meet the purpose;
Based on the processing result of the performance evaluation procedure, an approximate function generation procedure for generating an approximate function indicating the relationship between parameters and performance evaluation values;
By applying the parameter generated by the parameter generation procedure to the approximation function generated by the approximation function generation procedure, and selecting a parameter with a good approximation value of the obtained performance evaluation value, the parameter search is performed. An optimal parameter search program that causes a computer to execute a parameter selection procedure for limiting an area.

前記近似関数生成手順は、パラメータと性能評価値の関係を示す近似関数を複数生成し、前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜することを特徴とする請求項１に記載の最適パラメータ探索プログラム。 The approximate function generation procedure generates a plurality of approximate functions indicating the relationship between parameters and performance evaluation values, and the parameter selection procedure is generated by the parameter generation procedure for each approximate function generated by the approximate function generation procedure. 2. The optimal parameter search program according to claim 1, wherein a parameter is applied, and a parameter having a good average value of the approximate values of the obtained performance evaluation values is preferentially selected.

前記パラメータ選抜手順は、前記近似関数生成手順によって生成された各近似関数に前記パラメータ生成手順によって生成されたパラメータを適用し、得られた性能評価値の近似値の平均値が良好なパラメータを優先して選抜する代わりに、得られた性能評価値の近似値の分散値が大きいパラメータを優先して選抜することを特徴とする請求項２に記載の最適パラメータ探索プログラム。 In the parameter selection procedure, the parameter generated by the parameter generation procedure is applied to each approximation function generated by the approximation function generation procedure, and a parameter with a good average value of approximate values of the obtained performance evaluation values is prioritized. 3. The optimum parameter search program according to claim 2, wherein instead of selecting, a parameter having a large variance value of the approximate value of the obtained performance evaluation value is selected preferentially.

前記パラメータ生成手順によって生成されたパラメータをもちいて、所定の入力情報に対して得られる結果を予測する予測器を作成する予測器作成手順と、
入力情報と、該入力情報に対して実際に得られた結果との対応を示す分析対象データをサンプリングして、前記予測器作成手順が前記予測器を作成するためにもちいる予測器作成データと、前記性能評価手順が前記予測器の性能を評価するためにもちいる性能評価データとを生成するデータサンプリング手順と
をさらにコンピュータに実行させることを特徴とする請求項１〜３のいずれか１つに記載の最適パラメータ探索プログラム。 A predictor creation procedure for creating a predictor that predicts a result obtained for predetermined input information using the parameters generated by the parameter generation procedure;
Sampling the analysis target data indicating the correspondence between the input information and the results actually obtained for the input information, and predictor creation data used for the predictor creation procedure to create the predictor; A data sampling procedure for generating performance evaluation data used by the performance evaluation procedure for evaluating the performance of the predictor is further executed by a computer. Optimal parameter search program described in 1.

前記データサンプリング手順は、前記パラメータ選抜手順によってパラメータが選抜される度に、前記予測器作成データおよび前記性能評価データを再作成することを特徴とする請求項４に記載の最適パラメータ探索プログラム。 5. The optimal parameter search program according to claim 4, wherein the data sampling procedure re-creates the predictor creation data and the performance evaluation data each time a parameter is selected by the parameter selection procedure.

目的に最も適合するパラメータを探索する最適パラメータ探索装置であって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成手段と、
前記パラメータ生成手段によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価手段と、
前記性能評価手段の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成手段と、
前記近似関数生成手段によって生成された近似関数に前記パラメータ生成手段によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜手段と
を備えたことを特徴とする最適パラメータ探索装置。 An optimum parameter search device that searches for a parameter that best suits the purpose,
Parameter generating means for generating parameters used for the purpose;
A performance evaluation means for obtaining a performance evaluation value indicating how much the parameter generated by the parameter generation means fits the purpose;
Based on the processing result of the performance evaluation means, an approximate function generation means for generating an approximate function indicating the relationship between the parameter and the performance evaluation value;
The parameter search is performed by applying the parameter generated by the parameter generation unit to the approximation function generated by the approximation function generation unit and preferentially selecting a parameter having a good approximation value of the obtained performance evaluation value. An optimum parameter search device comprising: parameter selection means for limiting an area.

目的に最も適合するパラメータを探索する最適パラメータ探索方法であって、
前記目的のためにもちいられるパラメータを生成するパラメータ生成工程と、
前記パラメータ生成工程によって生成されたパラメータがどれだけ目的に適合するかを示す性能評価値を求める性能評価工程と、
前記性能評価工程の処理結果に基づいて、パラメータと性能評価値の関係を示す近似関数を生成する近似関数生成工程と、
前記近似関数生成工程によって生成された近似関数に前記パラメータ生成工程によって生成されたパラメータを適用し、得られた性能評価値の近似値が良好なパラメータを優先して選抜することにより、パラメータの探索領域を限定するパラメータ選抜工程と
を含んだことを特徴とする最適パラメータ探索方法。 An optimal parameter search method for searching for a parameter most suitable for a purpose,
A parameter generating step for generating a parameter used for the purpose;
A performance evaluation step for obtaining a performance evaluation value indicating how much the parameters generated by the parameter generation step meet the purpose;
Based on the processing result of the performance evaluation step, an approximation function generation step for generating an approximation function indicating the relationship between the parameter and the performance evaluation value;
The parameter search is performed by applying the parameter generated by the parameter generation step to the approximation function generated by the approximation function generation step and preferentially selecting a parameter with a good approximation value of the obtained performance evaluation value. An optimal parameter search method comprising: a parameter selection step for limiting an area.