【技术实现步骤摘要】
预测方法、预测设备和记录介质
本文讨论的实施方式涉及预测程序、预测方法以及预测设备。
技术介绍
用于离散数据的非线性分类的一些技术包括用于通过以下方式预测对输入数据的分类结果的技术：用于获取分类规则的机器学习，分类规则即用于对数据进行分类的决策树，该机器学习通过使用监督训练数据来执行；并使用通过机器学习获取的决策树。非专利文献1：L.Breiman，“RandomForests”，MachineLearning，第45卷，第5页至第32页(2001年)针对输入数据的预测的目的之一是通过使用分类规则来确定(或预测)最佳动作(例如，如何控制制造过程中要执行的后续步骤，或者如何对要经受营销的客户进行后续的方法)。然而，可以生成多个用于预测的分类规则。因此，根据上述传统技术，当要预测最佳动作时，将尝试分别基于多个分类规则的所有动作，因此存在处理的成本增加的问题。因此，本专利技术的实施方式的一方面的目的是提供能够针对输入数据进行高效预测的预测程序、预测方法以及预测设备。
技术实现思路
根据实...
【技术保护点】
1.一种记录介质，其中存储有使计算机执行以下处理的预测程序，所述处理包括：/n接收要经受预测的输入数据；以及/n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所述假设集中的多个假设的相应权重，使用所述输入数据来生成预测结果，所述假设集包括每个都由所述说明变量的组合形成、对所述训练数据集中的任一个进行分类并满足特定条件的假设，所述权重是通过基于包括在所述假设集中的所述假设中的每个假设对于所述训练数据集中的每一个是否成立的机器学习而获得的，其中，/n所述生成包括：确定包括在伪布尔函数中的变量的值，使得使用所述输入数据的所述预测结果满足所述特定条件的概率满足...
【技术特征摘要】
20190701 JP 2019-1232181.一种记录介质，其中存储有使计算机执行以下处理的预测程序，所述处理包括：
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所述假设集中的多个假设的相应权重，使用所述输入数据来生成预测结果，所述假设集包括每个都由所述说明变量的组合形成、对所述训练数据集中的任一个进行分类并满足特定条件的假设，所述权重是通过基于包括在所述假设集中的所述假设中的每个假设对于所述训练数据集中的每一个是否成立的机器学习而获得的，其中，
所述生成包括：确定包括在伪布尔函数中的变量的值，使得使用所述输入数据的所述预测结果满足所述特定条件的概率满足预定标准，所述概率是通过作为所述机器学习的结果而生成的所述伪布尔函数计算的，所述伪布尔函数包括与所述说明变量对应的变量，并且在满足所述特定条件的概率的计算中使用。
2.根据权利要求1所述的记录介质，其中，所述生成包括：在将包括在所述输入数据中的值代入包括在所述伪布尔函数中的变量的值中的预定变量的值之后，确定包括在所述伪布尔函数中的剩余变量的值。
3.根据权利要求2所述的记录介质，其中，所述生成包括：以预定顺序针对包括在所述伪布尔函数中的剩余变量的值来设置值，以确定使所述概率最大化的所述剩余变量的值的组合。
4.根据权利要求3所述的记录介质，其中，所述生成包括：对于包括在所述伪布尔函数中的所述剩余变量的值中的与不受控的项对应的变量的值，确定被估计成降低所述概率的值。
5.一种预测方法，包括：
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所述假设集中的多个假设的相应权重，使用所述输入数据来生成预测结果，所述假设集包括每个都由所述说明变量的组合形成、对所述训练数据集中的任一个进行分类并满足特定条件的假设，所述权重是通过基于包括在所述假设集中的所述假设中的每个假设对于所述训练数据集中的每一个是否成立的机器学习而获得的，其中
所述生成包括：确定包括在伪布尔函数中的变量的值，使得使用所述输入数据的所述预测结果满足所述特定条件的概率满足预定标准，所述概率是通过作为所述机器学习的...
【专利技术属性】
技术研发人员：岩下洋哲，高木拓也，后藤启介，大堀耕太郎，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。