优化装置、优化方法和非暂态计算机可读存储介质制造方法及图纸

提供了优化装置、优化方法和非暂态计算机可读存储介质。该方法包括：将包含目标变量和解释变量的学习数据划分为多个数据子集；对所划分的子集中的每一个中的第一数据执行正则化处理，并提取等于零的第一元素；提取第一多元回归与第二多元回归之间的误差比等于或大于预定值的每个模型作为候选，第一多元回归是对第二数据进行多元回归的结果，第二数据是所划分的子集中的每一个中的测试数据并且用于计算学习数据的误差比，第二多元回归是对通过从第二数据中排除第一元素而获得的第三数据进行多元回归的结果；以及输出用零替换在候选中取零达预定次数或大于预定次数的元素的模型。

Optimization device, optimization method and non transient computer readable storage medium

【技术实现步骤摘要】
优化装置、优化方法和非暂态计算机可读存储介质
本文讨论的实施方式涉及优化装置、用于存储优化程序的非暂态计算机可读存储介质以及优化方法。
技术介绍
迄今为止，在根据学习数据创建学习模型(以下也简称为“模型”)的监督学习中，学习数据通常需要具有关于数据特性的稀疏性，以用于通过使用多元回归(y＝Xβ+ξ)来估计真实模型(β)。在多元回归等式中，y是在学习数据中包含的目标变量，并且例如是用于学习的图像数据中的图像的含义(在描绘了数字“2”的图像中的“2”)。然后，X是学习数据中包含的解释变量，并且例如是用于学习的图像数据中的图像(像素)。此外，β是学习模型，并且ξ是学习数据中包含的噪声。图11是用于描述为什么多元回归需要稀疏性的说明视图。如图11所示，在情况C1中，去除了噪声，并且与y＝“2”相对应的像素以外的像素为“0”。因此，模型(β)在多元回归中必然看到的位置限于与y＝“2”相对应的x的像素。因此，获得了其中y＝“2”成立的高准确度模型。相反，在情况C2中，模型(β)不理想地在多元回归中还看到噪声(ξ)，并且获得准确度低的模型。<本文档来自技高网...

【技术保护点】
1.一种优化装置，包括：/n划分单元，其将包含目标变量和解释变量的学习数据划分为多个数据子集；/n正则化处理单元，其对第一数据执行正则化处理，并提取等于零的第一元素，所述第一数据要用于在所划分的数据子集中的每一个中的学习数据的结构提取；/n误差比计算单元，其提取第一多元回归与第二多元回归之间的误差比等于或大于预定值的每个模型作为候选模型，所述第一多元回归是对第二数据进行多元回归的结果，所述第二数据是所划分的数据子集中的每一个中的测试数据并且用于计算所述学习数据的误差比，所述第二多元回归是对通过从所述第二数据中排除所述第一元素而获得的第三数据进行多元回归的结果；以及/n输出单元，其输出用零替换在...

【技术特征摘要】
20181211 JP 2018-2317311.一种优化装置，包括：
划分单元，其将包含目标变量和解释变量的学习数据划分为多个数据子集；
正则化处理单元，其对第一数据执行正则化处理，并提取等于零的第一元素，所述第一数据要用于在所划分的数据子集中的每一个中的学习数据的结构提取；
误差比计算单元，其提取第一多元回归与第二多元回归之间的误差比等于或大于预定值的每个模型作为候选模型，所述第一多元回归是对第二数据进行多元回归的结果，所述第二数据是所划分的数据子集中的每一个中的测试数据并且用于计算所述学习数据的误差比，所述第二多元回归是对通过从所述第二数据中排除所述第一元素而获得的第三数据进行多元回归的结果；以及
输出单元，其输出用零替换在所提取的候选模型中取零达预定次数或大于预定次数的元素的模型。


2.根据权利要求1所述的优化装置，其中，
所述正则化处理单元基于所述第一数据通过对以伊辛格式表达的数据进行退火来执行所述正则化处理。


3.根据权利要求2所述的优化装置，还包括：
计算单元，所述计算单元在当l表示在用于以所述伊辛格式表达的二元展开中要使用的序列长度、Nb表示所述退火中的上限位数并且n表示所述学习数据中的行数时，将要用于所述二元展开的序列长度设置为l，所述l是满足n(l+2)≤Nb的最大整数。


4.根据权利要求1至3中任一项所述的优化装置，其中，
所述划分单元将所述学习数据划分为所述数据子集，使得在所述学习数据划分之后包含在所述数据子集...

【专利技术属性】
技术研发人员：大轮拓也，松冈英俊，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP