JP2019003408A - ハイパーパラメータの評価方法、計算機及びプログラム - Google Patents
ハイパーパラメータの評価方法、計算機及びプログラム Download PDFInfo
- Publication number
- JP2019003408A JP2019003408A JP2017117620A JP2017117620A JP2019003408A JP 2019003408 A JP2019003408 A JP 2019003408A JP 2017117620 A JP2017117620 A JP 2017117620A JP 2017117620 A JP2017117620 A JP 2017117620A JP 2019003408 A JP2019003408 A JP 2019003408A
- Authority
- JP
- Japan
- Prior art keywords
- accuracy
- hyperparameter
- data
- secondary feature
- expected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。
101 データバス
102 CPU
103 メモリ
104 入出力インターフェイス
105 通信装置
106 ドライブ装置
107 入力装置
108 出力装置
109 記憶媒体
210 期待予測精度予測器
211 2次特徴量生成器
212 精度予測器
220 学習器
230 結果表示器
Claims (15)
- プロセッサとメモリを有する計算機が、解析対象データに適用可能なハイパーパラメータを評価するハイパーパラメータの評価方法であって、
前記計算機が、予め設定された事前データと複数のハイパーパラメータから2次特徴量生成部と精度予測部を生成する第1のステップと、
前記計算機が、前記解析対象データを受け付ける第2のステップと、
前記2次特徴量生成部が、前記解析対象データと複数のハイパーパラメータを入力として2次特徴量を算出する第3のステップと、
前記精度予測部が、前記2次特徴量を入力としてハイパーパラメータ毎の期待予測精度を算出する第4のステップと、
を含むことを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記第3のステップは、
前記解析対象データと複数のハイパーパラメータを1次特徴量として入力して2次特徴量を算出することを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記第4のステップは、
前記2次特徴量を入力として、前記ハイパーパラメータ毎に達成可能と見込まれる期待予測精度を算出することを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記計算機が、前記算出された期待予測精度を前記ハイパーパラメータ毎に出力する第5のステップと、
前記計算機が、前記出力されたハイパーパラメータのうち、選択されたハイパーパラメータを受け付ける第6のステップと、
前記計算機が、前記選択されたハイパーパラメータに基づいて前記解析対象データを解析するためのモデルを生成する第7のステップと、
をさらに含むことを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記計算機が、複数の解析対象データの前記2次特徴量と期待予測精度を取得して、前記期待予測精度が閾値以下の解析対象データについて、前記期待予測精度が閾値を超える解析対象データの各2次特徴量の差と比較し、差異が大きい項目を選択する第8のステップと、
をさらに含むことを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記計算機が、前記期待予測精度が所定の閾値以下の場合には、当該解析対象データでデータ解析を行っても有意な結果が得られないと判定する第9のステップと、
をさらに含むことを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記第2のステップは、
前記受け付けた解析対象データに対してデータクレンジングを実施するステップを含み、
前記計算機が、前記解析対象データに対して複数のデータクレンジングを実施した後の期待予測精度を取得して、最も期待予測精度の高いデータクレンジングを選択する第10のステップを、
をさらに含むことを特徴とするハイパーパラメータの評価方法。 - 請求項1に記載のハイパーパラメータの評価方法であって、
前記第1のステップは、複数のハイパーパラメータのそれぞれについて、前記事前データの解析に適用した場合の精度の予測を実施して事前精度予測結果を算出するステップと、
前記ハイパーパラメータ毎に前記事前精度予測結果を出力として、2次特徴量を入力とする精度予測部を生成するステップと、
前記事前データと複数のハイパーパラメータを入力とし、前記精度予測部の入力とした2次特徴量を出力する2次特徴量生成部を生成するステップと、
を含むことを特徴とするハイパーパラメータの評価方法。 - 請求項4に記載のハイパーパラメータの評価方法であって、
前記計算機が、前記算出された期待予測精度の順位で、前記ハイパーパラメータと前記生成されたモデルとを出力する第11のステップを、
をさらに含むことを特徴とするハイパーパラメータの評価方法。 - プロセッサとメモリを含んで、解析対象データに適用可能なハイパーパラメータを評価する計算機であって、
予め設定された事前データと複数のハイパーパラメータから生成された2次特徴量生成部と、予め設定された事前データと複数のハイパーパラメータから生成された精度予測部とを含む期待予測精度予測部を有し、
前記期待予測精度予測部が、前記解析対象データを受け付けて、
前記2次特徴量生成部が、前記解析対象データと複数のハイパーパラメータを入力として2次特徴量を算出し、
前記精度予測部が、前記2次特徴量を入力としてハイパーパラメータ毎の期待予測精度を算出することを特徴とする計算機。 - 請求項10に記載の計算機であって、
前記2次特徴量生成部が、前記解析対象データと複数のハイパーパラメータを1次特徴量として入力して2次特徴量を算出することを特徴とする計算機。 - 請求項10に記載の計算機であって、
前記精度予測部が、前記2次特徴量を入力として、前記ハイパーパラメータ毎に達成可能と見込まれる期待予測精度を算出することを特徴とする計算機。 - 請求項10に記載の計算機であって、
前記精度予測部が、前記算出された期待予測精度を前記ハイパーパラメータ毎に出力し、
前記出力されたハイパーパラメータのうち、選択されたハイパーパラメータを受け付けて、前記選択されたハイパーパラメータに基づいて前記解析対象データを解析するためのモデルを生成する学習部と、をさらに有することを特徴とする計算機。 - 請求項10に記載の計算機であって、
前記期待予測精度予測部が、複数の解析対象データの前記2次特徴量と期待予測精度を取得して、前記期待予測精度が閾値以下の解析対象データについて、前記期待予測精度が閾値を超える解析対象データの各2次特徴量の差と比較し、差異が大きい項目を選択することを特徴とする計算機。 - プロセッサとメモリを有する計算機を制御させるためのプログラムであって、
予め設定された事前データと複数のハイパーパラメータから2次特徴量生成部と精度予測部を生成する第1のステップと、
解析対象データを受け付ける第2のステップと、
前記解析対象データと複数のハイパーパラメータを前記2次特徴量生成部へ入力して2次特徴量を算出する第3のステップと、
前記2次特徴量を前記精度予測部へ入力してハイパーパラメータ毎の期待予測精度を算出する第4のステップと、
を前記計算機に実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017117620A JP6840627B2 (ja) | 2017-06-15 | 2017-06-15 | ハイパーパラメータの評価方法、計算機及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017117620A JP6840627B2 (ja) | 2017-06-15 | 2017-06-15 | ハイパーパラメータの評価方法、計算機及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019003408A true JP2019003408A (ja) | 2019-01-10 |
JP6840627B2 JP6840627B2 (ja) | 2021-03-10 |
Family
ID=65006168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017117620A Active JP6840627B2 (ja) | 2017-06-15 | 2017-06-15 | ハイパーパラメータの評価方法、計算機及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6840627B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140226A (ja) * | 2019-02-26 | 2020-09-03 | 三菱Ufj信託銀行株式会社 | 汎用人工知能装置及び汎用人工知能プログラム |
WO2020250843A1 (ja) * | 2019-06-12 | 2020-12-17 | 株式会社Preferred Networks | ハイパーパラメタチューニング方法、プログラム試行システム及びコンピュータプログラム |
JP7199115B1 (ja) | 2021-12-17 | 2023-01-05 | 望 窪田 | 機械学習における分散学習 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016218869A (ja) * | 2015-05-22 | 2016-12-22 | 富士通株式会社 | 設定方法、設定プログラム、及び設定装置 |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2017
- 2017-06-15 JP JP2017117620A patent/JP6840627B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016218869A (ja) * | 2015-05-22 | 2016-12-22 | 富士通株式会社 | 設定方法、設定プログラム、及び設定装置 |
JP2017062713A (ja) * | 2015-09-25 | 2017-03-30 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140226A (ja) * | 2019-02-26 | 2020-09-03 | 三菱Ufj信託銀行株式会社 | 汎用人工知能装置及び汎用人工知能プログラム |
WO2020250843A1 (ja) * | 2019-06-12 | 2020-12-17 | 株式会社Preferred Networks | ハイパーパラメタチューニング方法、プログラム試行システム及びコンピュータプログラム |
JPWO2020250843A1 (ja) * | 2019-06-12 | 2020-12-17 | ||
JP7303299B2 (ja) | 2019-06-12 | 2023-07-04 | 株式会社Preferred Networks | ハイパーパラメタチューニング方法、プログラム試行システム及びコンピュータプログラム |
JP7199115B1 (ja) | 2021-12-17 | 2023-01-05 | 望 窪田 | 機械学習における分散学習 |
JP2023090055A (ja) * | 2021-12-17 | 2023-06-29 | 望 窪田 | 機械学習における分散学習 |
Also Published As
Publication number | Publication date |
---|---|
JP6840627B2 (ja) | 2021-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6691401B2 (ja) | 個別化予測モデルを用いた、個人レベルのリスク・ファクタの識別およびランク付け | |
WO2019244646A1 (ja) | 疾病リスク予測装置、疾病リスク予測方法および疾病リスク予測プログラム | |
CN109313939B (zh) | 健康状况预测装置,健康状况预测方法和计算机可读记录介质 | |
JP2017537365A (ja) | 患者データに基づく健康診断および治療のためのベイジアン因果関係ネットワークモデル | |
Kwon et al. | Nurses “seeing forest for the trees” in the age of machine learning: using nursing knowledge to improve relevance and performance | |
US20220084639A1 (en) | Electronic Phenotyping Technique for Diagnosing Chronic Kidney Disease | |
US20140136225A1 (en) | Discharge readiness index | |
CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
Celi et al. | Optimal data systems: the future of clinical predictions and decision support | |
WO2020172607A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
JP6840627B2 (ja) | ハイパーパラメータの評価方法、計算機及びプログラム | |
Al-Ageel et al. | Human factors in the design and evaluation of bioinformatics tools | |
Ahrens et al. | Improving requirements specification use by transferring attention with eye tracking data | |
JPWO2018037879A1 (ja) | 自動分析装置および情報処理装置 | |
KR101595784B1 (ko) | 패혈증 고위험군 예측 방법 및 시스템 | |
O'Keefe et al. | Investigation of text‐mining methodologies to aid the construction of search strategies in systematic reviews of diagnostic test accuracy—a case study | |
CN113096756A (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
US20190034595A1 (en) | Generating robust symptom onset indicators | |
Weng et al. | Predicting cardiovascular disease risk using photoplethysmography and deep learning | |
CN113990512A (zh) | 异常数据检测方法及装置、电子设备和存储介质 | |
WO2020250810A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Liebeskind et al. | Data considerations in ischemic stroke trials | |
Crowe et al. | A letter from the editors: Pearls and pitfalls for writing a methods section | |
JP2006268080A (ja) | 特許データ解析方法、装置、プログラムおよび記録媒体 | |
Sams et al. | Predictive modelling and its visualization for telehealth data–Concept and implementation of an interactive viewer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200205 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201223 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210202 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210217 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6840627 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |