-
公开(公告)号：CN114287017A
公开(公告)日：2022-04-05
申请号：CN201980099698.8
申请日：2019-08-29
Applicant: 富士通株式会社
IPC: G06Q30/02
Abstract: 本发明提供模式提取程序、装置以及方法，获取样本集合数据，该样本集合数据与多个属性各自的属性值和表示针对动作的反应是否成功的标签信息分别建立关联，获取分别为1个以上的属性值的组合的多个组合模式，针对多个组合模式中的各个组合模式，基于样本集合数据所示的样本中的满足组合模式的样本的数量和满足组合模式的样本中的成功例的比例来决定评价值，提取与多个组合模式各自的评价值中成为极大值的评价值对应的组合模式，由此提取出能够得到从市场化的观点出发有用的段的信息的属性值的组合模式。
-
公开(公告)号：CN111626761B
公开(公告)日：2023-09-12
申请号：CN202010120051.3
申请日：2020-02-26
Applicant: 富士通株式会社
IPC: G06Q30/0273 , G06N20/00 , G06F16/2458 , G06Q30/0241
Abstract: 提供了提取方法、提取设备和计算机可读记录介质。提取设备生成与数据中包括的多个项目值相关的条件的多个组合。提取设备通过使用从多个项目值估计响应变量的机器学习模型计算指示指定的响应变量和所述多个组合中的每个组合之间的共现程度的索引值，该机器学习模型通过使用所述数据来训练。提取设备基于条件和索引值中的任何一个从多个组合中提取特定组合。
-
公开(公告)号：CN116341675A
公开(公告)日：2023-06-27
申请号：CN202211530853.7
申请日：2022-12-01
Applicant: 富士通株式会社 , 国立大学法人大阪大学
IPC: G06N20/00
Abstract: 一种非暂态计算机可读记录介质，其中存储有信息处理程序，该信息处理程序使计算机执行处理，该处理包括：基于变量的优先级顺序和估计量从多个变量中决定一个或更多个变量是关于重要性程度的问题的目标，所述变量的优先级顺序是基于指示所述多个变量的排名的多个模式确定的，所述估计量指示关于每个模式与预定条件匹配的可能性；以及基于关于所决定的变量的问题的回答结果来更新该估计量。
-
公开(公告)号：CN115702428A
公开(公告)日：2023-02-14
申请号：CN202080101219.4
申请日：2020-05-26
Applicant: 富士通株式会社
IPC: G06N20/00
Abstract: 本发明涉及模型训练程序、模型训练方法以及信息处理装置。信息处理装置选择判定模型的训练所使用的训练数据集所包含的多个训练数据中的能够由上述判定模型正确地判定的训练数据。信息处理装置向用户提示选择出的训练数据所包含的数据项目中的有助于判定的数据项目和判定结果。信息处理装置受理对提示的数据项目的解释的容易度的评价。信息处理装置以基于评价结果调整的损失函数为基础，使用训练数据集来执行判定模型的训练。
-
公开(公告)号：CN114556380A
公开(公告)日：2022-05-27
申请号：CN201980101036.X
申请日：2019-10-17
Applicant: 富士通株式会社
IPC: G06N20/00
Abstract: 本发明涉及机器学习程序、机器学习方法以及机器学习装置。进行训练数据的离散化，以便模型精度提高。关于将标签信息与多个数据项目的数据项目值的组合建立关联的多个学习数据，对每个数据项目将数据项目值转换为基于规定的基准离散化后的离散化数据值。使用转换后的多个学习数据执行学习将离散化数据值作为输入进行关于标签信息的判定的模型的学习处理。从学习处理的执行结果获取示出多个数据项目中的用于判定的两个以上的数据项目的组合的不同的多个特征信息、和示出多个特征信息各自的重要性的指标值。基于指标值选择一个以上的特征信息，基于选择出的一个以上的特征信息来变更用于数据项目值的离散化的基准。
-
Patent Agency Ranking
公开(公告)号：CN112183570A
公开(公告)日：2021-01-05
申请号：CN202010505036.0
申请日：2020-06-05
Applicant: 富士通株式会社
Abstract: 提供了预测方法、预测设备和记录介质。记录介质中存储有使计算机执行以下处理的预测程序：接收要经受预测的输入数据；以及根据每个都具有说明变量和目标变量的训练数据集，通过使用假设集和包括在假设集中的假设的相应权重来生成预测结果，所述假设每个都由说明变量的组合形成、对训练数据集中的任何训练数据集进行分类并且满足特定条件，所述权重是基于每个假设对于训练数据集中的每个训练数据集是否成立来学习的。所述生成包括：确定包括在伪布尔函数中的变量的值，使得预测结果满足特定条件的概率满足预定标准，所述伪布尔函数包括与说明变量对应的变量。
-
公开(公告)号：CN111626761A
公开(公告)日：2020-09-04
申请号：CN202010120051.3
申请日：2020-02-26
Applicant: 富士通株式会社
IPC: G06Q30/02 , G06N20/00 , G06F16/2458
Abstract: 提供了提取方法、提取设备和计算机可读记录介质。提取设备生成与数据中包括的多个项目值相关的条件的多个组合。提取设备通过使用从多个项目值估计响应变量的机器学习模型计算指示指定的响应变量和所述多个组合中的每个组合之间的共现程度的索引值，该机器学习模型通过使用所述数据来训练。提取设备基于条件和索引值中的任何一个从多个组合中提取特定组合。
-
公开(公告)号：CN111626760B
公开(公告)日：2023-09-08
申请号：CN202010116720.X
申请日：2020-02-25
Applicant: 富士通株式会社
IPC: G06Q30/0273 , G06N20/00 , G06F16/2458 , G06Q30/0241 , G06F18/24 , G06F18/214
Abstract: 本发明提供了分配方法和设备、提取方法和设备以及计算机可读记录介质。分配设备通过使用包括目标变量和与该目标变量对应的一个或更多个说明变量的数据的一部分作为训练数据，执行根据数据的说明变量预测目标变量的模型的训练。分配设备根据关于数据的说明变量的至少一部分的分类条件，将通过从数据中排除训练数据而获得的测试数据分类到组中。分配设备针对组中的每一个，使用所训练的模型根据测试数据的说明变量预测目标变量。分配设备基于在预测时预测的针对组中的每一个的目标变量，计算要分配给组中的每一个的预定资源量。
-
公开(公告)号：CN116341676A
公开(公告)日：2023-06-27
申请号：CN202211531005.8
申请日：2022-12-01
Applicant: 富士通株式会社 , 国立大学法人大阪大学
Abstract: 信息处理装置将各自包括一个或更多个变量的多个线性模型分类成多个组，使得将以下线性模型分组到同一组中：包括多个线性模型的每一个中所包括的相同变量，并且关于变量具有相同的系数编码；输出用于决定包括在用于通过使用机器学习对多个线性模型进行训练的训练数据中的每个说明变量的重要度的第一问题，并且当要从所述多个线性模型中选择反映重要度的线性模型时，基于根据第一问题的回答而选择的目标组数目减少的程度来决定要提出第二问题的说明变量，第二问题为在第一问题之后输出的问题。
-
公开(公告)号：CN109522922B
公开(公告)日：2023-04-28
申请号：CN201811094204.0
申请日：2018-09-19
Applicant: 富士通株式会社
IPC: G06N20/00 , G06F18/22 , G06F18/2133 , G06F18/214 , G06F18/24
Abstract: 公开了学习数据选择方法及设备以及计算机可读记录介质。为了选择对机器学习模型的输出因子进行估计的估计模型的学习数据，1)与输入到机器学习模型的输入数据组中包括的第一输入数据的指定相对应地提取与第一输入数据有关的第一输入数据组，2)分别获取被输入到机器学习模型并且与第一输入数据组对应的第一变换数据组以及机器学习模型的与第一变换数据组对应的第一输出数据组，以及3)从第一输入数据组中选择估计模型的学习目标数据，其中机器学习模型针对从输入数据变换的变换数据执行分类和确定。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.039 seconds)
