JP2008171282A - 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 - Google Patents

Abstract

【課題】真に最適なパラメータを高速かつ確実に選択すること。
【解決手段】最適な予測パラメータを探索する装置である最適パラメータ探索装置１００は、予測パラメータを生成する予測パラメータ生成部１１２と、生成された予測パラメータの性能を評価する予測性能評価部１１５と、予測性能評価部１１５の評価結果に基づいて、予測パラメータと予測性能の関係を示す近似関数を生成する近似関数生成部１１６と、近似関数生成部１１６によって生成された近似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、得られた予測性能の近似値が良好な予測パラメータを優先して選抜することにより、予測パラメータの探索領域を限定する予測パラメータ選抜部１１３とを備える。
【選択図】 図５

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。

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。

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。

特開２００４−３１１８８５号公報 特開２００３−１７３３２８号公報

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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）。

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）。

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）。

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）。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

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。

予測器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装置の構成を示す機能ブロック図である。 分析対象データの一例を示す図である。 予測器作成データの一例を示す図である。 予測性能評価データの一例を示す図である。 予測パラメータの一例を示す図である。 予測器の一例を示す図である。 予測性能評価結果データの一例を示す図である。 誤判定データの一例を示す図である。 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。 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。 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の概要について説明するための図である。

符号の説明

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
１０１０ ＣＰＵ
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
１０６０ ＲＡＭ
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

Claims (7)

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。
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請求項１に記載の最適パラメータ探索プログラム。
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請求項２に記載の最適パラメータ探索プログラム。
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。
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請求項４に記載の最適パラメータ探索プログラム。
6. 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。
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。

Images