JPWO2017221856A1 - Analysis device, analysis method, and storage medium - Google Patents
Analysis device, analysis method, and storage medium Download PDFInfo
- Publication number
- JPWO2017221856A1 JPWO2017221856A1 JP2018524061A JP2018524061A JPWO2017221856A1 JP WO2017221856 A1 JPWO2017221856 A1 JP WO2017221856A1 JP 2018524061 A JP2018524061 A JP 2018524061A JP 2018524061 A JP2018524061 A JP 2018524061A JP WO2017221856 A1 JPWO2017221856 A1 JP WO2017221856A1
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- grouping
- value
- groups
- group
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
サンプルデータを削減することも追加することもなく、サンプル数の偏りの影響を低減したデータ分析を行うことを可能とする。分析装置は、説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析手段と、前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測手段と、前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出手段と、を備える。It is possible to perform data analysis with reduced influence of sample number deviation without reducing or adding sample data. The analysis device performs machine learning analysis for deriving a relationship between the explanatory variable and the objective variable of the plurality of groups for a plurality of groups generated by grouping a plurality of analysis targets in which the explanatory variable and the objective variable are associated with each other. , Based on the analysis means for each grouping, the values of the explanatory variables of the plurality of groups, and the relationship, the calculation of the predicted value that is the value of the target variable of the plurality of groups is performed for each grouping. And a calculation means for calculating a score relating to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping.
Description
本開示は、データの分析および予測に関する。 The present disclosure relates to data analysis and prediction.
教師データを用いた機械学習に基づく、データの予測において、教師データのうちの目的変数の値ごとにサンプルの個数が大きく異なると、予測の正確度が低下するという問題がある。 In data prediction based on machine learning using teacher data, if the number of samples differs greatly for each value of the objective variable in the teacher data, there is a problem that the accuracy of the prediction decreases.
たとえば、あるエリアにおける1日当たりのある事象(たとえば、事故など)の発生件数を目的変数として機械学習を実行する場合、一般的には、過去の1日当たりの発生件数と説明変数の組が、教師データとして使われる。このとき、その教師データのうちの大多数において、目的変数の値は「0件」や「1件」であり、「2件」以上の目的変数の値を有する教師データは少ないことが考えられうる。すなわち、上述のような教師データでは、目的変数の値ごとにサンプルの個数が大きく異なる。このように、目的変数の値ごとのサンプル数が偏った教師データは、不均衡データ(Imbalanced Data)と呼ばれることがある。不均衡データに基づいて機械学習および予測を行うと、目的変数の値の出現頻度が比較的低いサンプルデータの影響が小さくなり、予測の正確度が悪くなる。 For example, when machine learning is performed using the number of occurrences of an event per day (for example, an accident) in a certain area as an objective variable, in general, a set of past occurrences per day and explanatory variables is a teacher. Used as data. At this time, in the majority of the teacher data, the value of the objective variable is “0” or “1”, and there are few teacher data having the value of the objective variable of “2” or more. sell. That is, in the teacher data as described above, the number of samples greatly differs for each value of the objective variable. In this way, teacher data in which the number of samples for each value of the objective variable is biased may be referred to as imbalanced data (Imbalanced Data). When machine learning and prediction are performed based on unbalanced data, the influence of sample data having a relatively low frequency of appearance of objective variable values is reduced, and the accuracy of prediction is deteriorated.
特に、上述の発生件数の予測においては、発生件数が多いエリアを特定することが所望されるにも関わらず、発生件数の値が大きいサンプルは数が比較的少ないため、そのサンプルの特徴が機械学習において無視されやすい。その結果、たとえば発生件数を予測する式が、発生件数が多い地域の特徴を反映した式にならず、正確な予測ができないおそれがある。 In particular, in the above-described prediction of the number of occurrences, although it is desired to specify an area where the number of occurrences is large, samples having a large number of occurrences have a relatively small number. It is easy to be ignored in learning. As a result, for example, the formula for predicting the number of occurrences does not reflect the characteristics of the region where the number of occurrences is large, and there is a possibility that accurate prediction cannot be performed.
上述の問題を解決するための技術の一例として、特許文献1に記載される、Random Over Sampling(ROS)やRandom Under Sampling(RUS)という方法がある。
As an example of a technique for solving the above problem, there is a method called Random Over Sampling (ROS) or Random Under Sampling (RUS) described in
ROSは、教師データに含まれる2つのクラスのうち、目的変数の値の出現頻度が高い方のクラスのサンプル数に合わせて、頻度が低い方のクラスのサンプル数を増加させる方法である。RUSは、教師データに含まれる2つのクラスのうち、頻度が低い方のクラスのサンプル数に合わせて、頻度が高い方のクラスのサンプル数を減少させる方法である。 ROS is a method of increasing the number of samples of the class with the lower frequency in accordance with the number of samples of the class with the higher appearance frequency of the value of the objective variable among the two classes included in the teacher data. RUS is a method of reducing the number of samples of the higher frequency class in accordance with the number of samples of the lower frequency class of the two classes included in the teacher data.
ROSでは意味のないノイズデータを生成してしまう場合がある。一方、RUSでは有用なサンプルデータを除外してしまう場合がある。その理由は、サンプルデータを人為的に削減したり追加したりするためである。 ROS may generate meaningless noise data. On the other hand, RUS may exclude useful sample data. The reason is to artificially reduce or add sample data.
本発明は、サンプルデータを削減することも追加することもなく、サンプル数の偏りの影響を低減したデータ分析を行うことができる分析装置および方法を提供することを目的の1つとする。 An object of the present invention is to provide an analysis apparatus and method capable of performing data analysis with reduced influence of the deviation in the number of samples without reducing or adding sample data.
本発明の一態様に係る分析装置は、説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析手段と、前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測手段と、前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出手段と、を備える。 An analysis apparatus according to an aspect of the present invention relates to a plurality of groups generated by grouping a plurality of analysis targets in which an explanatory variable and an objective variable are associated, and a relationship between the explanatory variable and the objective variable of the plurality of groups. Based on the analysis means for executing the machine learning analysis for each grouping, the values of the explanatory variables of the plurality of groups, and the relationship, the predicted values that are the values of the objective variables of the plurality of groups Prediction means for executing calculation for each grouping, and calculation means for calculating a score relating to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping And comprising.
本発明の一態様に係る分析方法は、説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行し、前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行し、前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する。 The analysis method according to an aspect of the present invention provides a relationship between an explanatory variable and an objective variable of the plurality of groups, for a plurality of groups generated by grouping a plurality of analysis targets in which the explanatory variable and the objective variable are associated. Machine learning analysis is performed for each grouping, and based on the explanatory variable values of the plurality of groups and the relationship, calculation of a predicted value that is the value of the target variable of the plurality of groups, The process is executed for each grouping, and a score related to the analysis target is calculated by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping.
本発明の一態様に係るプログラムは、コンピュータに、説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析処理と、前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測処理と、前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出処理と、を実行させる。 A program according to an aspect of the present invention provides an explanatory variable and an objective variable of the plurality of groups for a plurality of groups generated by grouping a plurality of analysis targets in which the explanatory variable and the objective variable are associated with each other. Based on the analysis process for performing the machine learning analysis for deriving the relationship for each grouping, the value of the explanatory variable of the plurality of groups, and the relationship, and the prediction that is the value of the objective variable of the plurality of groups The calculation of the value is calculated for each grouping, and the score related to the analysis target is calculated by the calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping. And a calculation process.
本発明によれば、サンプルデータを削減することも追加することもなく、サンプル数の偏りの影響を低減したデータ分析を行うことができる。 According to the present invention, it is possible to perform data analysis in which the influence of the deviation in the number of samples is reduced without reducing or adding sample data.
以下、図面を参照しながら、本発明の実施形態を詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
<<第1の実施形態>>
まず、本発明の第1の実施形態について説明する。<< First Embodiment >>
First, a first embodiment of the present invention will be described.
第1の実施形態に係る分析装置11は、分析対象について蓄積された説明変数と目的変数とのデータの組である、サンプルデータを扱う。分析対象とは、目的変数の値または値の目安を導出する対象である。分析対象は、識別番号によって識別されてもよいし、分析装置11が表示する画面上の位置によって識別されてもよい。なお、分析対象にはそれぞれ説明変数の値が関連付けられる。分析装置11は、後述する処理によって、その説明変数の値に基づいて分析対象の目的変数の値の目安となるスコアを算出する。
The
目的変数は、たとえば、ユーザが値を予測したい変数として選択した変数である。目的変数は、たとえば、あるエリアにおける、1日あたりの事故件数、1週間あたりの事件件数、または、1日あたりの救急車の出動件数、等でもよい。たとえば、ユーザがあるエリアにおける翌日の事故の発生件数を予測したい場合、目的変数は、そのエリアにおける1日あたりの事故の発生件数に設定されればよい。なお、この場合の分析対象は、そのエリアである。 The objective variable is, for example, a variable selected by the user as a variable whose value is to be predicted. The objective variable may be, for example, the number of accidents per day, the number of incidents per week, or the number of ambulances dispatched per day in a certain area. For example, when the user wants to predict the number of accidents that occur in the next day in a certain area, the objective variable may be set to the number of accidents per day in that area. In this case, the analysis target is the area.
説明変数は、目的変数の値に影響を与える要因であると考えられる変数である。たとえば、目的変数が、あるエリア内の1日あたりの事故の発生件数であれば、説明変数として考えられる変数は、例えば、各日における交通量、自動車保有率、自転車保有台数、信号機の数、標識の数、交差点の数、過去の事故の発生件数、天候、道路の幅員の平均、および、平日であるか休日であるか、等である。 The explanatory variable is a variable that is considered to be a factor that affects the value of the objective variable. For example, if the objective variable is the number of accidents per day in an area, the variables that can be considered as explanatory variables are, for example, traffic volume, car ownership rate, number of bicycles, number of traffic lights, The number of signs, the number of intersections, the number of past accidents, the weather, the average road width, and whether it is a weekday or a holiday.
図1に、サンプルデータの例を示す。図1に示されるように、サンプルデータは、分析対象(この例ではエリア)ごとの、その分析対象に関連する説明変数と目的変数との組である。図1に示す例では、X年Y月Z日の事故の発生件数と、その日の交通量や天気等の情報とが、サンプルデータに含まれている。 FIG. 1 shows an example of sample data. As shown in FIG. 1, the sample data is a set of explanatory variables and objective variables related to the analysis object for each analysis object (area in this example). In the example shown in FIG. 1, the number of accidents on year Y, month Z, and information such as traffic volume and weather on that day are included in the sample data.
分析装置11は、たとえば図示しない記憶装置から、分析対象に関するサンプルデータを取得する。そして、分析装置11は、複数の分析対象のそれぞれについて、分析対象に関連づけられた説明変数に基づいて目的変数の値の目安となるスコアを算出する。以下、分析装置11の制御構造について説明する。
The
<構成>
図2は、第1の実施形態の分析装置11の構成を示すブロック図である。分析装置11は、解析部113と、予測部114と、算出部115と、を備える。<Configuration>
FIG. 2 is a block diagram illustrating a configuration of the
解析部113は、分析対象に対する組分けによって生成する複数のグループについて、それぞれのグループの説明変数と目的変数との関係を導出する機械学習分析を実行する。なお、組分けとは、分析対象を複数のグループに分類することである。
The
組分けは、たとえば図示しない組分け部がそれぞれの分析対象にグループを識別する番号等を関連づけることにより、行われればよい。組分けによって、例えば、100個の分析対象が、それぞれ10個のグループのいずれかに関連づけられる。 The grouping may be performed by, for example, associating a number or the like for identifying a group with each analysis target by a grouping unit (not shown). By grouping, for example, 100 analysis objects are associated with any of 10 groups.
解析部113は、この組分けにより生成するグループを教師データの単位とした、機械学習分析を行う。
The
具体的には、解析部113はまず、グループごとに、グループに含まれる分析対象に関連づけられるサンプルデータに基づいて、グループデータを作成する。グループデータとは、そのグループを1つのまとまりとして捉えた場合の説明変数と目的変数との組み合わせである。
Specifically, the
たとえば、解析部113は、グループに含まれる分析対象に関連づけられるサンプルデータの目的変数の値を統合する。値を統合するとは、各々の値に基づく代表値を設定することである。すなわち、解析部113は、グループに含まれる分析対象に関連づけられるサンプルデータの各々の目的変数の値に基づく代表値を設定し、その代表値をグループの目的変数の値と見なす。値を統合するとは、具体的には、たとえば、それらの値を合計することである。あるいは、値を統合するとは、それらの値の平均を算出することでもよい。
For example, the
同様に、解析部113は、それぞれの説明変数の値を統合する。なお、数値で表されない説明変数の値を統合する場合は、解析部113は、たとえばその説明変数の値の導出の仕方に基づいて、改めてそのグループにおける代表値を決定してもよい。
Similarly, the
なお、解析部113は、異なる日における目的変数(または説明変数)を、別々に統合してよい。したがって、たとえば、数百日にわたるサンプルデータがある場合は、解析部113は、[分析対象の分類数×数百(個)]のグループデータを作成しうる。
Note that the
そして、解析部113は、作成したグループデータを教師データとして使用した機械学習分析を実行する。機械学習分析は、たとえば、教師データに基づいて説明変数と目的変数との間の関係を導出する分析である。たとえば、機械学習分析では、説明変数と目的変数との間の関係を表す関数が導出される。この導出される関数は、帰納的に導出されるものであるから、いわば説明変数の値から目的変数の値を予測する関数である。以下、機械学習分析により導出される関数を「予測式」と呼ぶ。
Then, the
すなわち、一例として、解析部113は、上記の教師データを使用した解析により、目的変数の値を予測する予測式を導出する。
That is, as an example, the
解析部113は、2以上の組分けのそれぞれについて、予測式を導出する。たとえば、解析部113は、まず1つの組分けにより生成する全てのグループのグループデータを教師データとした機械学習分析により、1つの組分けに対する1つの予測式を導出する。そして、解析部113は、さらに、別の組分けにより生成する全てのグループのグループデータを教師データとした機械学習分析により、別の予測式を導出する。
The
予測部114は、組分けごとに、解析部113が導出した予測式とグループごとの説明変数の値とに基づいて、グループごとの目的変数の値である予測値を算出する。たとえば、予測部114は、翌日におけるグループの目的変数の値を、予測式と、翌日におけるグループの説明変数とに基づいて、算出する。グループの説明変数の値は、ユーザによって入力されてもよい。グループの説明変数の値は、データベース320に含まれる情報に基づいて設定されてもよい。
For each grouping, the
算出部115は、組分けごとに算出されたグループの目的変数の値に基づく演算によって、分析対象に関する値を算出する。算出部115によって算出される値を、「スコア」と呼ぶ。スコアは、目的変数の値の大きさの目安となる。
The
たとえば、ある組分け(第1の組分け)によって生成するグループの目的変数の値と、その組分けとは異なる組分け(第2の組分け)によって生成するグループの目的変数の値とがあるとする。算出部115は、分析対象のスコアとして、第1の組分けにおいてその分析対象が属するグループの予測値と、第2の組分けにおいてその分析対象が属するグループの予測値とを、乗算した値を算出する。算出部115は、分析対象のスコアとして、分析対象が属するグループの予測値の平均を算出してもよい。
For example, there are a group objective variable value generated by a certain grouping (first grouping) and a group objective variable value generated by a grouping different from the grouping (second grouping). And The
<主要な動作>
分析装置11の主要な動作の流れを、図3のフローチャートに沿って説明する。<Main operations>
The main operation flow of the
ステップS21において、解析部113は、分析対象に対する組分けによって生成する複数のグループについて、複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、組分けごとに実行する。
In step S21, the
ステップS22において、予測部114は、グループの説明変数の値と、解析部113が導出した関係とに基づいた、グループの目的変数の値である予測値の算出を、組分けごとに実行する。
In step S <b> 22, the
ステップS23において、算出部115は、分析対象に関するスコアを、組分けごとに算出された、その分析対象が属するグループの予測値に基づく演算によって、算出する。
In step S23, the
<効果>
第1の実施形態の構成によれば、サンプルデータを削減することも追加することもなく、目的変数の値ごとのサンプル数の偏りの影響を低減したデータ分析を行うことができる。その理由は、各サンプルデータがグループにまとめられることによって、教師データにおける目的変数の値ごとのサンプル数の偏りが軽減されるからである。かつ、この分析においては、サンプルデータは削減も追加もされていない。<Effect>
According to the configuration of the first embodiment, it is possible to perform data analysis in which the influence of the deviation of the number of samples for each value of the objective variable is reduced without reducing or adding sample data. The reason for this is that each sample data is grouped together to reduce the deviation in the number of samples for each value of the objective variable in the teacher data. And in this analysis, the sample data has not been reduced or added.
<<第2の実施形態>>
次に、本発明の第2の実施形態について説明する。<< Second Embodiment >>
Next, a second embodiment of the present invention will be described.
<構成>
図4は、第2の実施形態に係る分析装置12の構成を示すブロック図である。<Configuration>
FIG. 4 is a block diagram showing the configuration of the
分析装置12は、データベース320を記憶する記憶装置32と通信可能に接続されている。分析装置12は、記憶装置32からデータベース320が含む情報を読み出す。分析装置12が読み出す情報は、たとえば、ユーザによる指定に基づいて読み出されてもよい。
The
本実施形態のデータベース320は、ある地域における事故に関連する情報を含む。たとえば、データベース320は、その地域における、事故が発生した日時および場所、ならびに、日ごとの交通量、天気、降雨量、交差点の数、信号機の数、道路の幅員の平均、および平日であるか休日であるかの区別等の情報を含む、所定期間(たとえば過去数百日分)にわたるデータを記憶する。
The
分析装置12は、分割部111、組分け部112、解析部113、予測部114、算出部115、および、出力部116を備える。
The
===分割部111===
分割部111は、分析の範囲(すなわち、地域の範囲)を特定する。範囲の特定において、分割部111は、たとえば、ユーザから地域の範囲を指定する情報を取得する。分割部111は、データベース320から、地域の範囲を指定する情報を読み出してもよい。分割部111は、地域の範囲を指定する情報に基づいて、分析の範囲を特定すればよい。=== Division Unit 111 ===
The dividing unit 111 identifies the analysis range (that is, the region range). In specifying the range, the dividing unit 111 acquires information specifying the range of the region from the user, for example. The dividing unit 111 may read information specifying a region range from the
分割部111は、分析の範囲を複数の区画にメッシュ分割する。分割する際のメッシュのサイズは、目的に応じて適宜選択されてよい。例えば、メッシュのサイズは、ユーザが指定してもよい。この場合、たとえばユーザが「1キロメートル四方」を示す情報を分析装置12に入力することにより、分割部111は、地域を1キロメートル四方のメッシュサイズで分割してもよい。あるいは、メッシュのサイズは、特定された地域の大きさやデータ数に応じて、分析装置12によって適宜設定されてもよい。
The dividing unit 111 divides the analysis range into a plurality of sections. The size of the mesh when dividing may be appropriately selected according to the purpose. For example, the user may specify the mesh size. In this case, for example, when the user inputs information indicating “1 km square” to the
以下、分割によって生成する区画の1つ1つを、「セル」と呼ぶ。1つのセルのサイズは、たとえば数十メートル四方でも、数キロメートル四方でもよい。セルの形は四角形でなくともよい。全てのセルのサイズが同一である必要はない。 Hereinafter, each of the sections generated by the division is referred to as a “cell”. The size of one cell may be several tens of meters square or several kilometers square, for example. The shape of the cell need not be a rectangle. It is not necessary that all cells have the same size.
なお、このようにして生成したセルが、本実施形態の分析装置12の算出部115によるスコアの算出の対象、すなわち分析対象である。
The cell generated in this way is a score calculation target by the
分割部111は、セルごとに、サンプルデータを特定してもよい。すなわち、分割部111は、セルごとに、これまでに測定された目的変数の値および説明変数の値の組を特定してもよい。目的変数は、たとえば、ユーザによって設定される。例として、目的変数は1日あたりの事故の発生件数である。分割部111は、例えば、サンプルとなる目的変数および説明変数の値を、データベース320に記憶されるデータに基づいて特定する。例えば、分析装置12が目的変数を1日あたりの事故の発生件数とする分析を行う場合には、分割部111は、データベース320に記憶される、これまでに記録された事故のデータに基づき、各セルにおける日ごとの発生件数と説明変数の値とを算出してもよい。
The dividing unit 111 may specify sample data for each cell. That is, the dividing unit 111 may specify a set of objective variable values and explanatory variable values measured so far for each cell. The objective variable is set by the user, for example. As an example, the objective variable is the number of accidents per day. For example, the dividing unit 111 specifies the values of the objective variable and the explanatory variable that are samples based on the data stored in the
図5は、ある日のそれぞれのセルの事故の発生件数の一例を示す図である。事故の発生件数のような、単位期間(例えば1日間)における1つのセル(例えば1キロメートル四方)における事象の発生回数を表す変数は、その値が、1以下の値をとる場合と比較して、2以上の値をとることが少ない場合がある。そのような変数が目的変数である場合、図5に示されるように、目的変数の値が0件や1件であるセルが多く、値が2件以上であるセルは少なくなる。 FIG. 5 is a diagram illustrating an example of the number of accidents in each cell on a certain day. A variable that represents the number of occurrences of an event in one cell (for example, 1 km square) in a unit period (for example, 1 day), such as the number of occurrences of an accident, is compared with the case where the value takes a value of 1 or less. In some cases, the value of 2 or more is rare. When such a variable is an objective variable, as shown in FIG. 5, there are many cells whose value of the objective variable is 0 or 1, and there are few cells whose value is 2 or more.
図6は、図5に示した例の、各セルの目的変数の値の度数分布を表すヒストグラムである。図6で明白なように、目的変数の値(発生件数)ごとのサンプルデータ数は、大きく偏っていることがわかる。 FIG. 6 is a histogram showing the frequency distribution of the value of the objective variable in each cell in the example shown in FIG. As can be seen from FIG. 6, the number of sample data for each value (number of occurrences) of the objective variable is greatly biased.
分析装置12が扱うデータは、特定の1日のデータのみである必要はない。分析装置12は、複数の日のデータを扱ってもよい。図7は、数百日にわたってデータベース320に蓄積された各日のデータの、目的変数の値の度数分布を示すヒストグラムの一例である。一般的には、数百日分のデータを使用することによりサンプルデータ数は増えるため、予測の精度(precision、すなわち、予測結果のばらつきの小ささ)は向上すると考えられる。しかしながら、サンプルデータ数の増加によっても、目的変数の値ごとのサンプルデータ数の不均衡は依然として改善されないため、正確度(accuracy、すなわち、真の値への近さ)が向上するとはいえない。
The data handled by the
===組分け部112===
組分け部112は、同じ列のセルを1つのグループにまとめる。図8は、組分け部112が同じ列のセルを1つのグループのまとめる様子を示す概念図である。図8に示す例では、組分け部112は、縦方向に並ぶセルが同じグループになるよう、5つのグループA1,A2,A3、A4,およびA5にまとめる。すなわち、組分け部112は、セルを5つのグループに分類する。===
The
図9は、それぞれのグループにおける目的変数の値の度数分布を示すヒストグラムの一例である。図9で示されるように、図7に示される例に比べ、目的変数の値が広範囲にわたって分布し、目的変数の値ごとのサンプルデータ数のばらつきは抑えられる。 FIG. 9 is an example of a histogram showing the frequency distribution of the value of the objective variable in each group. As shown in FIG. 9, compared to the example shown in FIG. 7, the value of the objective variable is distributed over a wide range, and the variation in the number of sample data for each value of the objective variable is suppressed.
組分け部112は、同様に、横方向の行が同じセルを1つのグループにまとめる。すなわち、組分け部112は、図10のように、組分け部112は、各セルを、グループB1,B2,B3、B4,およびB5に分類する。Similarly, the
===解析部113===
解析部113は、組分けごとに、グループを教師データの単位として機械学習を行う。具体的には、解析部113は、機械学習を以下のように行う。===
For each grouping, the
解析部113は、まず、グループを1つの単位とした教師データを取得する。すなわち、解析部113は、各グループの目的変数の値および説明変数の値を取得する。
First, the
グループの目的変数の値は、たとえば、グループに含まれるセルの目的変数の総和である。たとえば、図8によれば、グループA1の目的変数の値は、0+1+1+1+0=3である。グループの目的変数の値は、グループに含まれるセルの目的変数の平均でもよい。The value of the objective variable of the group is, for example, the sum of the objective variables of the cells included in the group. For example, according to FIG. 8, the value of the objective variable of group A 1 is 0 + 1 + 1 + 1 + 0 = 3. The value of the objective variable of the group may be an average of the objective variables of the cells included in the group.
図11は、図5に示したサンプルの例において、セルを縦方向および横方向にまとめることによって生成したグループの、それぞれの目的変数の値の例を示す図である。 FIG. 11 is a diagram illustrating an example of values of respective objective variables of a group generated by grouping cells in the vertical direction and the horizontal direction in the sample example illustrated in FIG. 5.
解析部113は、各グループの説明変数の値を算出する。グループの説明変数の値は、たとえば、グループに含まれるセルの説明変数の総和でもよいし、平均でもよい。
The
こうして、解析部113は、グループを1つの単位とした教師データ(すなわち、グループの目的変数の値および説明変数の値の組)を取得する。
In this way, the
そして、解析部113は、得られた教師データを用いて、機械学習分析を行う。
Then, the
解析部113は、たとえば、縦方向にまとめられたグループの、たとえば過去数百日分のデータに基づいて、機械学習分析を行い、1つの予測式を導出する。この予測式は、グループの説明変数の値からグループの目的変数の値を予測する式である。
For example, the
解析部113は、同様に、横方向にまとめられたグループの過去数百日分のデータに基づいて、機械学習分析を行い、さらに別の予測式を導出する。なお、この機械学習分析において基となる過去のデータは、縦方向にまとめられたグループに対する機械学習分析で用いたデータと同じ期間のデータであってもよいし、異なる期間のデータであってもよい。
Similarly, the
これにより、不均衡性が低減された教師データに基づく予測式が算出される。 Thereby, the prediction formula based on the teacher data with reduced imbalance is calculated.
===予測部114===
予測部114は、解析部113が導出した予測式に基づいて、各グループの目的変数の予測値を算出する。具体的には、予測部114は、各グループの説明変数の値を予測式に代入することにより、そのグループの目的変数の予測値を得る。このとき用いられる各グループの説明変数の値は、たとえば、予測値を算出したい日の、説明変数の実測値もしくは予測値である。たとえば、信号機数や交差点数の値は、前日と同一の値が設定されてよい。自転車保有台数の値は、前日と同一の値または増減率を考慮した値が設定されればよい。天候は、天気予報等の情報から、尤もらしい値が設定されればよい。===
The
以下、グループの目的変数の予測値を、単に「グループの予測値」と呼ぶことがある。 Hereinafter, the predicted value of the objective variable of the group may be simply referred to as “the predicted value of the group”.
===算出部115===
算出部115は、予測部114が導出したグループの予測値に基づき、各セルの目的変数の値の目安となるスコアを算出する。=== Calculating
The
たとえば、算出部115は、それぞれのセルについて、そのセルを含むグループのそれぞれの予測値をかけ合わせた値を、そのセルにおけるスコアとして算出する。
For example, the
図12は、予測部114が算出した各グループの予測値から、各セルのスコアを算出する一例を示す図である。なお、表の左に付されたアラビア数字および表の上に付されたローマ数字は、説明の便宜上付された記号であり、それぞれ表における行または列を識別する記号である。
FIG. 12 is a diagram illustrating an example of calculating the score of each cell from the predicted value of each group calculated by the
図12に示されるように、予測部114は、グループA1〜A5の予測値としてそれぞれ[3,0,4,7,1]を算出し、グループB1〜B5の予測値としてそれぞれ[0,2,7,4,2]を算出したとする。この場合、例えば第1行第I列に相当するセルのスコアは[0×3]で[0]、第2行第I列に相当するセルのスコアは[2×3]で[6]、第3行第IV列に相当するセルのスコアは[7×7]で[49]となる。ただし、「×」は掛け算を表す演算子である。As illustrated in FIG. 12, the
本実施形態の例における各セルのスコアの算出の方法は、次のようにも表せる。すなわち、セルの列番号を左から順にi(i=1,2,3,4,5)、行番号を上から順にj(j=1,2,3,4,5)で表すとすると、第j行第i列のセルのスコアはBj×Aiである。The method for calculating the score of each cell in the example of the present embodiment can also be expressed as follows. That is, if the cell column number is represented by i (i = 1, 2, 3, 4, 5) from the left and the row number is represented by j (j = 1, 2, 3, 4, 5) from the top, The score of the cell in the j-th row and the i-th column is B j × A i .
算出部115は、以上のようにして、各セルのスコアを算出し、算出した値をセルに関連づける。
The
===出力部116===
出力部116は、スコアに基づいた情報を出力する。たとえば、出力部116は、スコアが算出されたセルのうち、スコアの値が大きいセルを、事故が多く発生すると予測される場所として示す情報を出力する。===
The
たとえば、出力部116は、スコアの値が最も大きいセルから順に所定の数のセルを抽出し、抽出されたセルを他のセルとは異なる態様で表示してもよい。たとえば、出力部116は、分析対象の地域の地図において抽出されたセルに相当するエリアを強調した画像を出力してもよい。出力部116は、セルとスコアの値とを関連づけたデータを出力してもよい。
For example, the
<動作>
第2の実施形態に係る分析装置12の動作の流れを、図13に沿って説明する。<Operation>
The operation flow of the
まず、分割部111が、分析の範囲を特定する(ステップS91)。そして、分割部111は、分析の範囲を複数のセルに分割する(ステップS92)。 First, the dividing unit 111 specifies the analysis range (step S91). Then, the dividing unit 111 divides the analysis range into a plurality of cells (step S92).
次に、組分け部112が、縦方向に並ぶセルを同じグループとした組分けを行う(ステップS93)。そして、解析部113が、縦方向のグループのデータを教師データとした機械学習分析を実行する(ステップS94)。そして、予測部114が、予測式と縦方向のグループのそれぞれの説明変数の値とに基づいて、グループのそれぞれの目的変数の予測値を算出する(ステップS95)。
Next, the
組分け部112は、横方向に並ぶセルを同じグループとした組分けも行う(ステップS96)。解析部113は、横方向のグループのデータを教師データとした機械学習分析を実行する(ステップS97)。予測部114は、予測式と横方向のグループのそれぞれの説明変数の値とに基づいて、グループのそれぞれの目的変数の予測値を算出する(ステップS98)。
The
ステップS93からステップS98の処理の順序は、上述の例に限られない。たとえば、ステップS93からステップS95の処理と、ステップS96からステップS98の処理とは、並行して行われてもよい。 The order of processing from step S93 to step S98 is not limited to the above example. For example, the processing from step S93 to step S95 and the processing from step S96 to step S98 may be performed in parallel.
そして、算出部115は、縦方向のグループの目的変数の予測値と、横方向のグループの目的変数の予測値とに基づいて、各セルのスコアを算出する(ステップS99)。
Then, the
最後に、出力部116が、スコアに基づいた情報を出力する(ステップS100)。
Finally, the
<効果>
第2の実施形態に係る分析装置12によれば、分析の範囲を複数に分割することにより生成したセルの、予測したい目的変数の値の目安となるスコアを算出することができる。<Effect>
According to the
たとえば、上述した具体的な例に従えば、分析装置12は、翌日における、エリアごとの事故の発生件数の多さの目安となるスコアを算出できる。また、分析装置12は、分析の範囲の地域のうちの、事故の発生件数が高いと予測されるエリアを特定することができる。また、特定した結果を出力することにより、ユーザは、そのエリアを事故の発生リスクが高い場所として認識することができる。
For example, according to the specific example described above, the
この分析において、分析装置12は、データベース320に含まれる、機械学習分析に用いることができるデータを不必要に選別したり捨てたりする必要がない。また、分析装置12は、データベース320に含まれていないデータを新たに生成したり追加したりする必要はない。
In this analysis, the
すなわち、分析装置12は、サンプルデータを削減することも追加することもなく、データ分析を行うことができる。
That is, the
上記に加え、この分析では目的変数の値ごとのサンプル数の偏りの影響が低減される。その理由は、各サンプルデータがグループにまとめられることによって、教師データにおける目的変数の値ごとのサンプル数の偏りが軽減されるからである。偏りが低減されることにより、目的変数の値が出現頻度の低い値であるサンプルの特徴が、機械学習分析において無視されにくくなる。 In addition to the above, this analysis reduces the effect of sample number bias for each value of the objective variable. The reason for this is that each sample data is grouped together to reduce the deviation in the number of samples for each value of the objective variable in the teacher data. By reducing the bias, the feature of the sample whose objective variable has a low appearance frequency is less likely to be ignored in machine learning analysis.
<<変形例>>
分析装置12が扱う説明変数および目的変数は、機械学習の対象となりうる変数であれば何でもよい。目的変数は特定の種類の事件や事故の件数でもよい。その他、目的変数は、落雷件数、落とし物の届け出件数、小動物の死骸の発見件数、または公共物の破損があった数等でもよい。<< Modification >>
The explanatory variable and the objective variable handled by the
分析対象は、地域である必要はない。分析対象は、交差点でもよいし、交番、または建物でもよい。分析対象は、目的変数に応じて設定されればよい。 The analysis target need not be a region. The analysis target may be an intersection, a police box, or a building. The analysis target may be set according to the objective variable.
以下、組分けの方法およびスコアの算出の方法に関する変形例を紹介する。 In the following, variations on the grouping method and the score calculation method will be introduced.
(変形例1)
上記第2の実施形態の説明では、組分け部112は、同じ列または行に並ぶセルを同一のグループとする組分けを行うが、組分けの方法(以下、「組分け法」と呼ぶ。)はこれらに限られない。(Modification 1)
In the description of the second embodiment, the
図14C、図14D、図14E、および図14Fは、それぞれ、上に示した組分け法以外の組分け法の例(それぞれ、組分け法C、組分け法D、組分け法E、および組分け法F)を示す図である。なお、図14C〜14Fに示される表のそれぞれの左側に付されたアラビア数字および上側に付されたローマ数字は、説明の便宜上付された記号であり、それぞれ表における行または列を識別する記号である。なお、図8で説明された縦方向の組分け法を組分け法A、図10で説明された横方向の組分け法を組分け法B、とする。 14C, FIG. 14D, FIG. 14E, and FIG. 14F are examples of grouping methods other than the grouping method shown above (grouping method C, grouping method D, grouping method E, and group, respectively). It is a figure which shows the division method F). 14C to 14F, Arabic numerals attached to the left side and Roman numerals attached to the upper side of each of the tables shown in FIGS. 14C to 14F are symbols attached for convenience of explanation, and are symbols that respectively identify rows or columns in the tables. It is. The vertical grouping method explained in FIG. 8 is called grouping method A, and the horizontal grouping method explained in FIG. 10 is called grouping method B.
図14Cを参照すると、たとえば、組分け法Cでは、1行I列、2行II列、3行III列、4行IV列、5行V列、が同じグループC1となる。Referring to FIG. 14C, for example, the grouping method C, 1 row I column, second row II
組分け部112は、組分け法C〜Fのような組分け法を採用してもよい。たとえば、組分け部112は、組分け法Aを第1の組分けに採用し、組分け法Cを第2の組分けに採用してもよい。
The
なお、図15は、組分け法Cによって生成するグループのそれぞれの、統合された目的変数の値の算出例を示す図である。たとえば、図15の左に示されるセルが、図15の右に示される組分け法で組分けされる場合、グループC1の説明変数の値は0+0+2+2+0=4である。FIG. 15 is a diagram illustrating a calculation example of the value of the integrated objective variable of each group generated by the grouping method C. For example, when the cell shown on the left side of FIG. 15 is grouped by the grouping method shown on the right side of FIG. 15, the value of the explanatory variable of group C 1 is 0 + 0 + 2 + 2 + 0 = 4.
解析部113は、第1の組分けに基づく機械学習分析と、第2の組分けに基づく機械学習分析とを行い、それぞれ予測式を導出する。予測部114がそれぞれの予測式に基づく各グループの予測値を算出し、算出部115が、各セルが属するグループの乗算値をスコアとして算出する。この方法によっても、各セルのスコアは算出される。算出されるスコアは、セルに特有の計算式に基づく。その理由は、どのセルも、そのセルを含むグループの組み合わせが、他のセルのそれと異なるからである。
The
組分け部112は、セルごとにセルを含むグループの組み合わせが異なるような、2つの組分け法であれば、どのような2つの組分け法を用いてもよい。
The
なお、上述した組分け法A,B,C,D,E,Fは、どの2つのセルも、任意の2つ以上の組分けにおいて異なるグループに属するように、設計されている。このように設計された6種類の組分けに対して、算出部115は、任意の2つの組分けに基づくデータを用いて、各セルに対応するスコアを算出してよい。
The grouping methods A, B, C, D, E, and F described above are designed so that any two cells belong to different groups in any two or more groups. For the six types of groupings designed in this way, the
(変形例2)
組分け部112は3種類以上の組分けを実行してもよい。そして、解析部113は、組分け部112が行った組分けのそれぞれに対して、予測式を導出してもよい。予測部114は、3種類以上の予測値を算出してもよい。(Modification 2)
The
たとえば、組分け部112は、図8、図10および図14C〜14Fで示される組分け法のうち、組分け法A、組分け法B、および組分け法Cを実行したとする。解析部113は、それぞれの組分けに基づく予測式を導出する。それぞれのグループの予測値が、図16の、各グループ名が付されたデータ列の値のように、予測部114によって算出されたとする。算出部115は、各セルのスコアを、当該セルが属するグループの予測値を乗算することにより算出する。すると、図16の左上の表に示されるような結果が得られる。
For example, it is assumed that the
このように、3種類以上の組分けを用いて分析を行うことによっても、分析装置12は各セルのスコアを算出できる。組分けの種類を増やして分析することにより、スコアの算出に用いる予測値の個数が増え、各セルのスコアの値はより大きくばらつく。たとえば、図16で示される本変形例のスコアの算出例では、第3行第I列のセルのスコアが42、第3行第III列のセルのスコアが112であり、両者の値には明確な差がある。この差は、図12で示された、2種類の組分けに基づいたスコアの算出例における両者の差(第3行第I列のセルのスコアが21、第3行第III列のセルのスコアが28)に比べ、はるかに大きい。このように、組分けの種類を増やして分析することにより、各セルのスコアの値はより大きくばらつき、それにより発生リスクが大きい箇所をより特定しやすくなる。なお、この効果は、スコアを乗算によって算出する場合に特に顕著に表れる。
Thus, the
また、乗算によるスコアの算出では、ある組分けにおける特定のグループの予測値が0であった場合、そのグループに含まれるセルのスコアはすべて0となるため、そのセルにおける事故の発生のリスクが少ないことが明らかになる。 Further, in the calculation of the score by multiplication, when the predicted value of a specific group in a certain grouping is 0, the scores of the cells included in the group are all 0, so there is a risk of occurrence of an accident in that cell. It becomes clear that there are few.
また、3種類以上の組分けに基づいて分析を行うことによって、発生リスクが小さいセルのスコアが偶発的に大きく算出されるというリスクが低減されうる。 Further, by performing analysis based on three or more types of grouping, the risk that a score of a cell with a low occurrence risk is accidentally calculated large can be reduced.
なお、組分け部112は、教師データの目的変数の値がなるべく不均衡でない組分け法を採用してもよい。たとえば、組分け部112は、行った組分けによって生成したグループの教師データの目的変数の値のばらつきが、所定の基準を外れるか(たとえば、分散が所定の値を下回るか)を判定してもよい。そして、組分け部112は、ばらつきが所定の基準を外れる場合に、もう一度異なる組分けを行ってもよい。この構成によって、ばらつきが所定の基準を外れない組分けによるグループでの機械学習分析が可能となる。
Note that the
以上の変形例1および2に示した組分けの方法は、地域を複数のセルにメッシュ分割した場合以外にも用いることができる。たとえば、上述した組分けの方法は、既に識別された複数個の分析対象に対して用いてもよい。 The grouping method shown in the first and second modifications can be used in addition to the case where the region is mesh-divided into a plurality of cells. For example, the grouping method described above may be used for a plurality of analysis objects that have already been identified.
また、上述の例では、分析対象の数が5×5個であったが、分析対象の数はこれに限られない。分析対象の個数が整数の2乗でない場合は、組分けごとにグループを構成する分析対象の数が異なっていてもよい。たとえば、分析対象が30個である場合は、組分け部112は、分析対象が5つずつであるグループに分割する第1の組分けと、分析対象が6つずつであるグループに分割する第2の組分けと、分析対象が5つずつであるグループに分割する第3の組分けとを行ってもよい。このように、分析対象の個数が整数の2乗でなくとも、複数の組分けおよびスコアの算出は可能である。
In the above example, the number of analysis objects is 5 × 5, but the number of analysis objects is not limited to this. When the number of analysis objects is not the square of an integer, the number of analysis objects constituting a group may be different for each grouping. For example, when there are 30 analysis targets, the
(変形例3)
n×n個(nは2以上の整数)の分析対象に対して、変形例1で示されるような、「どの2つの分析対象も、任意の2つ以上の組分けにおいて異なるグループに属するような組分け法」が、n+1個作れる場合、算出部115は、分析対象(以下の説明では、セル)のスコアを、以下に示す方法で算出してもよい。以下、変形例3として、算出部115がセルのスコアを前述の方法とは異なる方法で算出する構成を説明する。(Modification 3)
With respect to n × n (n is an integer of 2 or more) analysis objects, as shown in the first modification example, “any two analysis objects seem to belong to different groups in any two or more groupings. When “n + 1” can be created, the
まず、分割部111が、地域をn×nのセルに分割したとする。 First, it is assumed that the dividing unit 111 divides an area into n × n cells.
組分け部112は、n×n個のセルに対し、どの2つのセルも、任意の2つ以上の組分けにおいて属するグループの組み合わせが異なるような、n+1種類の組分け法を実行する。(たとえばn=5である場合、上述した組分け法A〜Fの6つが、上記n+1種類の組分け法の一例である。)言い換えれば、組分け部112は、任意の2つのセルが、いずれかただ1つの組分けにおいて同一のグループに属するような、n+1回の組分けを行う。
The
解析部113は、それぞれの組分けに基づく機械学習分析を行い、それぞれの予測式を導出する。
The
予測部114は、それぞれの予測式に基づく各グループの予測値を算出する。
The
そして、算出部115は、セルのスコアを次のように算出する。すなわち、
・当該セルが属するグループのすべての予測値の総和を算出し、
・算出された総和から、任意の組分けに基づいたグループの予測値の総和(Sとする)を減算し、
・減算された値をnで除する。Then, the
・ Calculate the sum of all predicted values of the group to which the cell belongs,
Subtract the sum of the predicted values of the group based on an arbitrary grouping (assumed as S) from the calculated sum,
• Divide the subtracted value by n.
なお、総和Sは、各セルのスコアの計算において同一であってよい。また、総和Sの値は、任意の複数の組分けのそれぞれに基づいたグループの予測値の総和の、平均や中央値でもよい。 The sum S may be the same in calculating the score of each cell. Further, the value of the sum S may be an average or median of sums of predicted values of groups based on each of a plurality of arbitrary groupings.
以下、具体例を、図5に示される例を用いて説明する。図5に示される場合では、n=5である。 A specific example will be described below using the example shown in FIG. In the case shown in FIG. 5, n = 5.
組分け部112は、図8、10および14C〜14Fに示される組分け法A〜Fを行い、各グループの説明変数および目的変数を算出する。
The
解析部113は、それぞれの組分けに基づく機械学習分析を行い、それぞれの予測式を導出する。予測部114は、それぞれの予測式に基づく各グループの予測値を算出する。その結果、それぞれの組分け法に基づくグループの予測値が、図17に示すような値になったとする。すなわち、組分け法Aに基づくグループA1〜A5の予測値[a1,a2,a3,a4,a5]は[3,0,4,7,1]となり、組分け法Bに基づくグループB1〜B5の予測値[b1,b2,b3,b4,b5]は[0,2,7,4,2]となり、組分け法Cに基づくグループC1〜C5の予測値[c1,c2,c3,c4,c5]は[4,3,3,2,3]となり、組分け法Dに基づくグループD1〜D5の予測値[d1,d2,d3,d4,d5]は[2,3,2,3,5]となり、組分け法Eに基づくグループE1〜E5の予測値[e1,e2,e3,e4,e5]は[2,4,4,2,3]となり、組分け法Fに基づくグループF1〜F5の予測値[f1,f2,f3,f4,f5]は[4,5,2,1,3]となったとする。The
算出部115は、各セルのスコアを算出する。なお、スコアを算出するにあたり、算出部115は、任意の組分け法に基づくグループの予測値の総和Sの値を求める。総和Sの値は、たとえば、a1+a2+a3+a4+a5である。The
算出部115は、ターゲットのセルが属するグループのすべての予測値の総和からSを減算した値をnで除した値を、ターゲットのセルのスコアの値として算出する。
The
たとえば、1行I列に相当するセルは、グループA1,B1,C1,D1,E1,F1に属するから、このセルのスコアは、
{(a1+b1+c1+d1+e1+f1)−S}/5
で算出される。For example, since the cell corresponding to 1 row and I column belongs to the groups A 1 , B 1 , C 1 , D 1 , E 1 , F 1 , the score of this cell is
{(A 1 + b 1 + c 1 + d 1 + e 1 + f 1 ) −S} / 5
Is calculated by
同様に、たとえば、3行IV列に相当するセルのスコアは、
{(a4+b3+c2+d5+e3+f1)−S}/5
で算出される。Similarly, for example, the score of a cell corresponding to 3 rows and IV columns is
{(A 4 + b 3 + c 2 + d 5 + e 3 + f 1 ) −S} / 5
Is calculated by
図18は、図17に示される予測値に基づいて上記の方法で算出された各セルのスコアの値を示す図である。 FIG. 18 is a diagram illustrating the score value of each cell calculated by the above method based on the predicted value shown in FIG.
このようにして算出されたスコアの値は、そのセルの目的変数の予測値と見なすことができる。その理由は、ターゲットのセルが属するグループのすべての予測値の総和の値は、すべてのセルが1つ分ずつ寄与した値と、ターゲットのセルがn個分寄与した値とを足し合わせた値と見なせるからである。 The score value thus calculated can be regarded as a predicted value of the objective variable of the cell. The reason for this is that the total sum of all predicted values of the group to which the target cell belongs is the sum of the value contributed by all cells one by one and the value contributed by n target cells. Because it can be considered.
なお、教師データに用いられたグループの目的変数が各セルの目的変数の平均によって算出されていた場合は、上述したスコアの算出の工程において、nで除する工程を省略してもよい。 When the objective variable of the group used for the teacher data is calculated by averaging the objective variables of each cell, the step of dividing by n may be omitted in the above-described score calculation step.
以上説明した方法により、分析装置12は、目的変数の予測値としてより確度の高い値を算出することができる。
With the method described above, the
(ハードウェアについて)
以上、説明した本発明の各実施形態において、各装置の各構成要素は、機能単位のブロックを示している。各装置の各構成要素の一部または全部は、例えば図19に示すようなコンピュータ1900とプログラムとの可能な組み合わせにより実現される。コンピュータ1900は、一例として、以下のような構成を含む。(About hardware)
As described above, in each embodiment of the present invention described above, each component of each device represents a functional unit block. A part or all of each component of each device is realized by a possible combination of a
・CPU(Central Processing Unit)1901
・ROM(Read Only Memory)1902
・RAM(Random Access Memory)1903
・RAM1903にロードされるプログラム1904Aおよび記憶情報1904B
・プログラム1904Aおよび記憶情報1904Bを格納する記憶装置1905
・記録媒体1906の読み書きを行うドライブ装置1907
・通信ネットワーク1909と接続する通信インタフェース1908
・データの入出力を行う入出力インタフェース1910
・各構成要素を接続するバス1911
各実施形態における各装置の各構成要素は、これらの機能を実現するプログラム1904AをCPU1901がRAM1903にロードして実行することで実現される。各装置の各構成要素の機能を実現するプログラム1904Aは、例えば、予め記憶装置1905やROM1902に格納されており、必要に応じてCPU1901が読み出す。なお、プログラム1904Aは、通信ネットワーク1909を介してCPU1901に供給されてもよいし、予め記録媒体1906に格納されており、ドライブ装置1907が当該プログラムを読み出してCPU1901に供給してもよい。CPU (Central Processing Unit) 1901
ROM (Read Only Memory) 1902
RAM (Random Access Memory) 1903
A
A
A
A
Input /
-Bus 1911 connecting each component
Each component of each device in each embodiment is realized by the
各装置の実現方法には、様々な変形例がある。例えば、各装置は、構成要素毎にそれぞれ別個のコンピュータ1900とプログラムとの可能な組み合わせにより実現されてもよい。また、各装置が備える複数の構成要素が、一つのコンピュータ1900とプログラムとの可能な組み合わせにより実現されてもよい。
There are various modifications to the method of realizing each device. For example, each device may be realized by a possible combination of a
また、各装置の各構成要素の一部または全部は、その他の汎用または専用の回路、コンピュータ等やこれらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。 In addition, some or all of the constituent elements of each device are realized by other general-purpose or dedicated circuits, computers, or combinations thereof. These may be configured by a single chip or may be configured by a plurality of chips connected via a bus.
各装置の各構成要素の一部または全部が複数のコンピュータや回路等により実現される場合には、複数のコンピュータや回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、コンピュータや回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。 When some or all of the constituent elements of each device are realized by a plurality of computers, circuits, etc., the plurality of computers, circuits, etc. may be centrally arranged or distributedly arranged. For example, the computer, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client and server system and a cloud computing system.
本願発明は以上に説明した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。 The present invention is not limited to the embodiment described above. Various changes that can be understood by those skilled in the art can be made to the configuration and details of the present invention within the scope of the present invention.
本出願は、2016年6月21日に出願された日本出願特願2016−122843を基礎とする優先権を主張し、その開示の全てをここに取り込む。 This application claims the priority on the basis of Japanese application Japanese Patent Application No. 2006-122843 for which it applied on June 21, 2016, and takes in those the indications of all here.
上記実施形態の一部または全部は以下の付記のようにも記載され得るが、以下には限られない。 A part or all of the above embodiment may be described as in the following supplementary notes, but is not limited thereto.
<<付記>>
[付記1]
説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析手段と、
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測手段と、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出手段と、
を備える分析装置。
[付記2]
前記組分けにおいて同一のグループに属する前記分析対象のうちの任意の2つが、他の前記組分けにおいて異なるグループに属する、
付記1に記載の分析装置。
[付記3]
前記解析手段は、前記機械学習分析を、3つ以上の前記組分けごとに実行し、
前記予測手段は、前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記算出手段は、前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
付記1または2に記載の分析装置。
[付記4]
前記組分けについて、当該組分けによって生成するグループの目的変数の値のばらつきが所定の基準を外れるかを判定し、前記ばらつきが前記所定の基準を外れた場合に、新たに前記組分けを実行する、組分け手段をさらに備え、
前記解析手段は、前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
付記1から付記3のいずれか一項に記載の分析装置。
[付記5]
n×n個(nは2以上の整数)の前記分析対象に対し、任意の2つの前記分析対象がいずれかただ1つの組分けにおいて同一のグループに属するようなn+1回の前記組分けを行う組分け手段をさらに備え、
前記算出手段は、前記分析対象のそれぞれの前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
付記1に記載の分析装置。
[付記6]
前記分析対象のうち前記スコアが高い方から所定数の前記分析対象を、他の前記分析対象とは異なる態様で表示する出力手段をさらに備える、
付記1から付記5のいずれか一項に記載の分析装置。
[付記7]
説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行し、
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行し、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する、
分析方法。
[付記8]
前記組分けにおいて同一のグループに属する前記分析対象のうちの任意の2つが、他の前記組分けにおいて異なるグループに属する、
付記7に記載の分析方法。
[付記9]
前記機械学習分析を、3つ以上の前記組分けごとに実行し、
前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
付記7または8に記載の分析方法。
[付記10]
前記組分けについて、当該組分けによって生成するグループの目的変数の値のばらつきが所定の基準を外れるかを判定し、前記ばらつきが前記所定の基準を外れた場合に、新たに前記組分けを実行し、
前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
付記7から付記9のいずれか一項に記載の分析方法。
[付記11]
n×n個(nは2以上の整数)の前記分析対象に対し、任意の2つの前記分析対象がいずれかただ1つの組分けにおいて同一のグループに属するようなn+1回の前記組分けを行い、
前記分析対象の前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
付記7に記載の分析方法。
[付記12]
前記分析対象のうち前記スコアが高い方から所定数の前記分析対象を、他の前記分析対象とは異なる態様で表示する、
付記7から付記11のいずれか一項に記載の分析方法。
[付記13]
コンピュータに、
説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析処理と、
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測処理と、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出処理と、
を実行させるプログラム。
[付記14]
前記組分けにおいて同一のグループに属する前記分析対象のうちの任意の2つが、他の前記組分けにおいて異なるグループに属する、
付記13に記載のプログラム。
[付記15]
前記解析処理は、前記機械学習分析を、3つ以上の前記組分けごとに実行し、
前記予測処理は、前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記算出処理は、前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
付記13または14に記載のプログラム。
[付記16]
コンピュータに、
前記組分けについて、当該組分けによって生成するグループの目的変数の値のばらつきが所定の基準を外れるかを判定し、前記ばらつきが前記所定の基準を外れた場合に、新たに前記組分けを実行する、組分け処理を実行させ、
前記解析処理は、前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
付記13から付記15のいずれか一項に記載のプログラム。
[付記17]
コンピュータに、n×n個(nは2以上の整数)の前記分析対象に対し、任意の2つの前記分析対象がいずれかただ1つの組分けにおいて同一のグループに属するようなn+1回の前記組分けを行う組分け処理を実行させ、
前記算出処理は、前記分析対象のそれぞれの前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
付記13に記載のプログラム。
[付記18]
コンピュータに、前記分析対象のうち前記スコアが高い方から所定数の前記分析対象を、他の前記分析対象とは異なる態様で表示する出力処理を実行させる、
付記13から付記17のいずれか一項に記載のプログラム。<< Appendix >>
[Appendix 1]
A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. Analysis means to be executed every time,
Prediction means for executing, for each grouping, calculation of a predicted value that is a value of an objective variable of the plurality of groups based on the values of the explanatory variables of the plurality of groups and the relationship;
Calculating means for calculating a score related to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping;
An analyzer comprising:
[Appendix 2]
Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The analyzer according to
[Appendix 3]
The analysis means performs the machine learning analysis for each of the three or more groupings,
The prediction means executes the calculation of the predicted value for each of the three or more groupings,
The calculation means calculates the score by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The analyzer according to
[Appendix 4]
For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. Further comprising grouping means,
The analysis means performs the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard.
The analyzer according to any one of
[Appendix 5]
For n × n (n is an integer of 2 or more) analysis objects, the grouping is performed n + 1 times so that any two analysis objects belong to the same group in any one grouping. Further comprising a grouping means,
The calculation means calculates each score of the analysis target from the sum of the predicted values calculated for all the groups to which the analysis target belongs, for each group calculated based on any of the groupings. Calculate using a value obtained by subtracting the sum of the predicted values.
The analyzer according to
[Appendix 6]
An output means for displaying a predetermined number of the analysis objects from the analysis object having a higher score in a manner different from the other analysis objects;
The analyzer according to any one of
[Appendix 7]
A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. Run every
Based on the value of the explanatory variable of the plurality of groups and the relationship, calculation of a predicted value that is the value of the target variable of the plurality of groups is performed for each grouping,
A score related to the analysis target is calculated by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping.
Analysis method.
[Appendix 8]
Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The analysis method according to
[Appendix 9]
Performing the machine learning analysis for each of the three or more groups;
The calculation of the predicted value is performed for each of the three or more groupings,
The score is calculated by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The analysis method according to
[Appendix 10]
For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. And
Performing the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard;
The analysis method according to any one of
[Appendix 11]
For n × n (n is an integer of 2 or more) analysis objects, the grouping is performed n + 1 times so that any two analysis objects belong to the same group in any one grouping. ,
The score of the analysis target is subtracted from the sum of the prediction values calculated for all the groups to which the analysis target belongs, and the sum of the prediction values of each group calculated based on any of the groupings. Using the calculated value,
The analysis method according to
[Appendix 12]
Displaying a predetermined number of the analysis objects from the one with the higher score among the analysis objects in a manner different from the other analysis objects;
The analysis method according to any one of
[Appendix 13]
On the computer,
A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. An analysis process to be executed every time,
Based on the values of the explanatory variables of the plurality of groups and the relationship, a prediction process for calculating a prediction value that is a value of the objective variable of the plurality of groups for each grouping;
A calculation process for calculating a score related to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping;
A program that executes
[Appendix 14]
Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The program according to attachment 13.
[Appendix 15]
The analysis process performs the machine learning analysis for each of the three or more groupings,
The prediction process executes calculation of the predicted value for each of the three or more groupings,
The calculation process calculates the score by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The program according to
[Appendix 16]
On the computer,
For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. Execute the grouping process,
The analysis process performs the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard.
The program according to any one of supplementary note 13 to supplementary note 15.
[Appendix 17]
In a computer, for n × n (n is an integer of 2 or more) analysis target, n + 1 times of the sets such that any two of the analysis targets belong to the same group in any one grouping Execute the grouping process to split,
In the calculation process, each score of the analysis target is calculated based on one of the groupings based on the total of the predicted values calculated for all the groups to which the analysis target belongs. Calculate using a value obtained by subtracting the sum of the predicted values.
The program according to attachment 13.
[Appendix 18]
Causing the computer to execute an output process for displaying a predetermined number of the analysis objects in a manner different from the other analysis objects from the analysis object having the higher score.
The program according to any one of appendix 13 to appendix 17.
11、12 分析装置
32 記憶装置
111 分割部
112 組分け部
113 解析部
114 予測部
115 算出部
116 出力部
320 データベース
1900 コンピュータ
1901 CPU
1902 ROM
1903 RAM
1904A プログラム
1904B 記憶情報
1905 記憶装置
1906 記録媒体
1907 ドライブ装置
1908 通信インタフェース
1909 通信ネットワーク
1910 入出力インタフェース
1911 バス11, 12
1902 ROM
1903 RAM
1904A program
Claims (18)
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測手段と、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出手段と、
を備える分析装置。A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. Analysis means to be executed every time,
Prediction means for executing, for each grouping, calculation of a predicted value that is a value of an objective variable of the plurality of groups based on the values of the explanatory variables of the plurality of groups and the relationship;
Calculating means for calculating a score related to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping;
An analyzer comprising:
請求項1に記載の分析装置。Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The analyzer according to claim 1.
前記予測手段は、前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記算出手段は、前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
請求項1または2に記載の分析装置。The analysis means performs the machine learning analysis for each of the three or more groupings,
The prediction means executes the calculation of the predicted value for each of the three or more groupings,
The calculation means calculates the score by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The analyzer according to claim 1 or 2.
前記解析手段は、前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
請求項1から3のいずれか一項に記載の分析装置。For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. Further comprising grouping means,
The analysis means performs the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard.
The analyzer according to any one of claims 1 to 3.
前記算出手段は、前記分析対象のそれぞれの前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
請求項1に記載の分析装置。For n × n (n is an integer of 2 or more) analysis objects, the grouping is performed n + 1 times so that any two analysis objects belong to the same group in any one grouping. Further comprising a grouping means,
The calculation means calculates each score of the analysis target from the sum of the predicted values calculated for all the groups to which the analysis target belongs, for each group calculated based on any of the groupings. Calculate using a value obtained by subtracting the sum of the predicted values.
The analyzer according to claim 1.
請求項1から5のいずれか一項に記載の分析装置。An output means for displaying a predetermined number of the analysis objects from the analysis object having a higher score in a manner different from the other analysis objects;
The analyzer according to any one of claims 1 to 5.
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行し、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する、
分析方法。A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. Run every
Based on the value of the explanatory variable of the plurality of groups and the relationship, calculation of a predicted value that is the value of the target variable of the plurality of groups is performed for each grouping,
A score related to the analysis target is calculated by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping.
Analysis method.
請求項7に記載の分析方法。Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The analysis method according to claim 7.
前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
請求項7または8に記載の分析方法。Performing the machine learning analysis for each of the three or more groups;
The calculation of the predicted value is performed for each of the three or more groupings,
The score is calculated by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The analysis method according to claim 7 or 8.
前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
請求項7から請求項9のいずれか一項に記載の分析方法。For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. And
Performing the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard;
The analysis method according to any one of claims 7 to 9.
前記分析対象の前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
請求項7に記載の分析方法。For n × n (n is an integer of 2 or more) analysis objects, the grouping is performed n + 1 times so that any two analysis objects belong to the same group in any one grouping. ,
The score of the analysis target is subtracted from the sum of the prediction values calculated for all the groups to which the analysis target belongs, and the sum of the prediction values of each group calculated based on any of the groupings. Using the calculated value,
The analysis method according to claim 7.
請求項7から11のいずれか一項に記載の分析方法。Displaying a predetermined number of the analysis objects from the one with the higher score among the analysis objects in a manner different from the other analysis objects;
The analysis method according to any one of claims 7 to 11.
説明変数と目的変数とが関連づけられる複数の分析対象を分類する組分けによって生成する複数のグループについて、前記複数のグループの説明変数と目的変数との関係を導出する機械学習分析を、前記組分けごとに実行する解析処理と、
前記複数のグループの説明変数の値と前記関係とに基づいて、前記複数のグループの目的変数の値である予測値の算出を、前記組分けごとに実行する予測処理と、
前記分析対象に関するスコアを、前記組分けごとに算出された、当該分析対象が属する前記グループの前記予測値に基づく演算によって、算出する算出処理と、
を実行させるプログラムを記憶した、コンピュータ読み取り可能な非一時的な記憶媒体。On the computer,
A machine learning analysis for deriving a relationship between an explanatory variable and an objective variable of the plurality of groups is performed on the plurality of groups generated by the grouping that classifies a plurality of analysis targets associated with the explanatory variable and the objective variable. An analysis process to be executed every time,
Based on the values of the explanatory variables of the plurality of groups and the relationship, a prediction process for calculating a prediction value that is a value of the objective variable of the plurality of groups for each grouping;
A calculation process for calculating a score related to the analysis target by calculation based on the predicted value of the group to which the analysis target belongs, calculated for each grouping;
A computer-readable non-transitory storage medium storing a program for executing the program.
請求項13に記載の記憶媒体。Any two of the analysis objects belonging to the same group in the grouping belong to different groups in the other grouping,
The storage medium according to claim 13.
前記予測処理は、前記予測値の算出を、前記3つ以上の組分けごとに実行し、
前記算出処理は、前記スコアを、前記3つ以上の組分けごとに算出された、当該分析対象が属する前記グループの前記予測値のそれぞれを乗算することによって算出する、
請求項13または14に記載の記憶媒体。The analysis process performs the machine learning analysis for each of the three or more groupings,
The prediction process executes calculation of the predicted value for each of the three or more groupings,
The calculation process calculates the score by multiplying each of the predicted values of the group to which the analysis target belongs, calculated for each of the three or more groupings.
The storage medium according to claim 13 or 14.
前記組分けについて、当該組分けによって生成するグループの目的変数の値のばらつきが所定の基準を外れるかを判定し、前記ばらつきが前記所定の基準を外れた場合に、新たに前記組分けを実行する、組分け処理を実行させ、
前記解析処理は、前記ばらつきが所定の基準を外れないと判定された前記組分けによって生成する複数のグループについて前記機械学習分析を実行する、
請求項13から15のいずれか一項に記載の記憶媒体。The program is stored in the computer.
For the grouping, it is determined whether the variation in the value of the objective variable of the group generated by the grouping deviates from a predetermined standard, and the grouping is newly executed when the variation deviates from the predetermined standard. Execute the grouping process,
The analysis process performs the machine learning analysis on a plurality of groups generated by the grouping determined that the variation does not deviate from a predetermined standard.
The storage medium according to any one of claims 13 to 15.
前記算出処理は、前記分析対象のそれぞれの前記スコアを、当該分析対象が属するすべての前記グループについて算出された前記予測値の総和から、前記組分けのいずれかに基づいて算出された各グループの前記予測値の総和を引いた値を用いて、算出する、
請求項13に記載の記憶媒体。The program causes the computer to make any two of the analysis objects belong to the same group in any one grouping with respect to n × n (n is an integer of 2 or more) of the analysis objects. a grouping process for performing the grouping of n + 1 times is executed,
In the calculation process, each score of the analysis target is calculated based on one of the groupings based on the total of the predicted values calculated for all the groups to which the analysis target belongs. Calculate using a value obtained by subtracting the sum of the predicted values.
The storage medium according to claim 13.
請求項13から17のいずれか一項に記載の記憶媒体。The program causes the computer to execute an output process for displaying a predetermined number of the analysis objects in a manner different from the other analysis objects from the analysis object having the higher score.
The storage medium according to any one of claims 13 to 17.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016122843 | 2016-06-21 | ||
JP2016122843 | 2016-06-21 | ||
PCT/JP2017/022439 WO2017221856A1 (en) | 2016-06-21 | 2017-06-19 | Analysis device, analysis method, and recording medium |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2017221856A1 true JPWO2017221856A1 (en) | 2019-04-11 |
JP6943242B2 JP6943242B2 (en) | 2021-09-29 |
Family
ID=60783279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018524061A Active JP6943242B2 (en) | 2016-06-21 | 2017-06-19 | Analytical instruments, analytical methods, and programs |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6943242B2 (en) |
WO (1) | WO2017221856A1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6857332B2 (en) * | 2018-03-13 | 2021-04-14 | オムロン株式会社 | Arithmetic logic unit, arithmetic method, and its program |
JP7292838B2 (en) * | 2018-09-04 | 2023-06-19 | 株式会社日立製作所 | Incident occurrence deterrence effect prediction system |
JP6775055B2 (en) * | 2019-03-29 | 2020-10-28 | 株式会社Nttドコモ | Risk estimator |
JP6961312B2 (en) * | 2019-09-03 | 2021-11-05 | 東芝情報システム株式会社 | State change detection auxiliary device, state change detection device, state change detection auxiliary program, and state change detection program |
-
2017
- 2017-06-19 WO PCT/JP2017/022439 patent/WO2017221856A1/en active Application Filing
- 2017-06-19 JP JP2018524061A patent/JP6943242B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2017221856A1 (en) | 2017-12-28 |
JP6943242B2 (en) | 2021-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245981B (en) | Crowd type identification method based on mobile phone signaling data | |
WO2017221856A1 (en) | Analysis device, analysis method, and recording medium | |
CN107657267B (en) | Product potential user mining method and device | |
US10073908B2 (en) | Functional space-time trajectory clustering | |
KR101982753B1 (en) | Apparatus and method for predicting degree of risk of train accident | |
US20160361878A1 (en) | System and method for evaluating additive manufacturing index | |
CN113570867B (en) | Urban traffic state prediction method, device, equipment and readable storage medium | |
CN105260835A (en) | Method for modeling, analyzing, and self-optimizing multi-source business big data | |
CN107392252A (en) | Computer deep learning characteristics of image and the method for quantifying perceptibility | |
CN108830417B (en) | ARMA (autoregressive moving average) and regression analysis based life energy consumption prediction method and system | |
JP2018156346A (en) | Business Improvement Support Apparatus and Business Improvement Support Method | |
CN111581197B (en) | Method and device for sampling and checking data table in data set | |
CN108806254B (en) | Method and device for identifying urban traffic corridor and computer readable storage medium | |
KR20140015812A (en) | Methodology of gis based automatic schematic diagram creation system for supporting input data generation of 1-dimensional water quality model | |
CN113033516A (en) | Object identification statistical method and device, electronic equipment and storage medium | |
WO2021169174A1 (en) | Road congestion degree prediction method, apparatus, computer device, and readable storage medium | |
CN110362640B (en) | Task allocation method and device based on electronic map data | |
CN115456695A (en) | Method, device, system and medium for analyzing shop address selection | |
CN114565057B (en) | Machine learning-based grading field identification method and device, storage medium and terminal | |
CN114003672B (en) | Method, device, equipment and medium for processing road dynamic event | |
JP2003256757A (en) | Space data analysis device, space data analysis method, and space data analysis program | |
US20170337259A1 (en) | Visualizing device, visualizing method and visualizing program | |
CN110796381A (en) | Method and device for processing evaluation indexes of modeling data, terminal equipment and medium | |
WO2023184281A1 (en) | Inspection parameter analysis method and apparatus | |
CN115861816A (en) | Three-dimensional low vortex identification method and device, storage medium and terminal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181206 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200515 |
|
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: 20210810 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210823 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6943242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |