特開 2023-35089 リサンプリング装置、情報処理システム、リサンプリング方法、及びリサンプリングプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023035089

(43)【公開日】2023-03-13

(54)【発明の名称】リサンプリング装置、情報処理システム、リサンプリング方法、及びリサンプリングプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20230306BHJP

【ＦＩ】

G06N20/00

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021141700

(22)【出願日】2021-08-31

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 令和３年６月１５日 ｈｔｔｐｓ：／／ｔｓｙｓ．ｊｐ／ｄｉｃｏｍｏ／２０２１／ｐｒｏｇｒａｍ／ｐｒｏｇｒａｍ＿ａｂｓｔ．ｈｔｍｌ＃４Ｈ－４にて公開 令和３年６月２３日 ｈｔｔｐｓ：／／ｔｓｙｓ．ｊｐ／ｄｉｃｏｍｏ／ｃｇｉ／ｏｎｌｉｎｅ＿ａｒｃｈｉｖｅ．ｃｇｉにて公開 令和３年７月１日 マルチメディア、分散、協調とモバイル（ＤＩＣＯＭＯ２０２１）シンポジウムにて公開

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人科学技術振興機構、創発的研究支援事業「マルチモーダルフェノタイピングによる適応型情報協働栽培手法の確立」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】304023318

【氏名又は名称】国立大学法人静岡大学

(71)【出願人】

【識別番号】590002389

【氏名又は名称】静岡県

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】峰野 博史

(72)【発明者】

【氏名】藤浪 一輝

(72)【発明者】

【氏名】大石 直記

(72)【発明者】

【氏名】二俣 翔

(57)【要約】

【課題】本発明は、新たな偏りを発生させず、全体的な不均衡性を解消するリサンプリング装置、情報処理システム、リサンプリング方法、及びリサンプリングプログラムを提供することを目的とする。
【解決手段】リサンプリング装置は、目的変数及び説明変数を含み、データ量に不均衡性を有する学習データからクラスタリングデータ、及びリサンプリングデータを生成し、クラスタリングデータに含まれる目的変数及び説明変数に対して、データが含まれる範囲を統一する正規化、及び重み付けを行う。当該クラスタリングデータをクラスタリングして、希少度を算出し、算出した希少度を用いて、リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングを実行し、リサンプリング結果を用いて、訓練データを出力する。
【選択図】図３

【特許請求の範囲】

【請求項1】

目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得する取得部と、
前記学習データからクラスタリングデータ、及びリサンプリングデータを生成する生成部と、
前記クラスタリングデータに含まれる前記目的変数及び前記説明変数に対して、データが含まれる範囲を統一する正規化を行う正規化部と、
正規化された前記クラスタリングデータにおける前記目的変数に対して、重み付けを行う重み付け部と、
重み付けされた前記クラスタリングデータをクラスタリングして、希少度を算出するクラスタリング部と、
算出した希少度を用いて、前記リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングするリサンプリング部と、
リサンプリング結果を用いて、データ量を均一にした訓練データを出力する出力部と、
を備えたリサンプリング装置。

【請求項2】

前記学習データは、前記目的変数として栽培における植物生理に関する栽培データ、及び前記説明変数として植物の栽培環境に関する環境データを含む請求項１に記載のリサンプリング装置。

【請求項3】

前記栽培データは、光合成速度、及び蒸発散速度の少なくとも一方を含み、
前記環境データは、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を含む、
請求項２に記載のリサンプリング装置。

【請求項4】

前記リサンプリング部は、前記クラスタリングデータにおける希少度の統計値を算出し、クラスタリングされたクラスタに係る希少度が、前記統計値に対応するまで繰り返しリサンプリングを実行する請求項１から請求項３の何れか１項に記載のリサンプリング装置。

【請求項5】

前記統計値は、前記クラスタに係るデータ量の平均値、又は中央値である請求項４に記載のリサンプリング装置。

【請求項6】

前記リサンプリング部は、クラスタリングしたクラスタに含まれるデータを選択し、前記選択されたデータと、前記選択されたデータに最も近接したデータと、を用いて、新たなデータを生成する請求項１から請求項５の何れか１項に記載のリサンプリング装置。

【請求項7】

前記学習データは、連続した期間毎に分割された時系列データである請求項１から請求項６の何れか１項に記載のリサンプリング装置。

【請求項8】

請求項１から請求項７の何れか１項に記載のリサンプリング装置と、
植物の栽培に関する学習データであって、前記リサンプリング装置によって出力された前記学習データを用いて植物の成長度合を評価するための機械学習を行った学習済みモデルを用いて、入力された環境データに対する植物の成長度合を評価する評価装置と、
を備えた情報処理システム。

【請求項9】

目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得するステップと、
前記学習データからクラスタリングデータ、及びリサンプリングデータを生成するステップと、
前記クラスタリングデータに含まれる前記目的変数及び前記説明変数に対して、データが含まれる範囲を統一する正規化を行うステップと、
正規化された前記クラスタリングデータにおける前記目的変数に対して、重み付けを行うステップと、
重み付けされた前記クラスタリングデータをクラスタリングして、希少度を算出するステップと、
算出した希少度を用いて、前記リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングするステップと、
リサンプリング結果を用いて、データ量を均一にした訓練データを出力するステップと、
を実行するリサンプリング方法。

【請求項10】

コンピュータに、
目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得し、
前記学習データからクラスタリングデータ、及びリサンプリングデータを生成し、
前記クラスタリングデータに含まれる前記目的変数及び前記説明変数に対して、データが含まれる範囲を統一する正規化を行い、
正規化された前記クラスタリングデータにおける前記目的変数に対して、重み付けを行い、
重み付けされた前記クラスタリングデータをクラスタリングして、希少度を算出し、
算出した希少度を用いて、前記リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングし、
リサンプリング結果を用いて、データ量を均一にした訓練データを出力する、
ことを実行させるためのリサンプリングプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、リサンプリング装置、情報処理システム、リサンプリング方法、及びリサンプリングプログラムに関する。

【背景技術】

【0002】

近年、機械学習を行った学習モデルを適用した農業が行われている。例えば、苺栽培では、比較的容易に収集可能な環境データを用いて、苺栽培にとって重要となる光合成速度、及び蒸発散速度を学習モデルを適用して推定し、熟練した農業者の勘及び経験に頼ることのない苺栽培の実現が注目されている。そのため、多数のデータを収集し、学習モデルに学習させる必要がある。

【0003】

しかしながら、季節、天候、温度、及び二酸化炭素濃度等の環境データにおけるデータ量は均一にならず不均衡となることが多い。機械学習において、頻出頻度が少ない希少なデータほど推定結果に大きな影響を与えることがあるが、不均衡なデータを用いると、希少なデータの寄与度が下がり適切な推定処理が行えないことがある。

【0004】

すなわち、機械学習は、与えられたデータから網羅的に学習を行うため、不均衡なデータを用いて学習を行う場合では局所的な学習となり、過学習、及び学習不足による推定の精度が低下する可能性がある。そのため、データにおける不均衡を是正する技術が提案されている。（例えば、特許文献１から特許文献３）

【0005】

例えば、引用文献１では、学習データを用いて分類器を構築する際に、一方のクラスに属する学習データの個数が他方のクラスの個数よりも極端に少ない場合でも、過不足なく学習データをサンプリングし、分類できる分類器を構築する技術について開示されている。

【0006】

また、引用文献２では、異常が発生した時の異常データを目的変数とし、機器のログデータを説明変数としてクラスタ処理を行い、対象のログデータを適用して、異常の発生確率を算出する技術について開示されている。

【0007】

また、引用文献３では、説明変数と目的変数を含むデータを用いて予測関数を作成する技術であって、説明変数の欠損パターンに応じて重みを設定し、当該重みに応じて説明変数を決定して、予測関数を作成する技術について開示されている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特開２０１３－１６１２９８号公報

【特許文献2】特開２０１７－１０２７１６号公報

【特許文献3】国際公開番号ＷＯ２０１４／１９９９２０号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

上述した技術のように、データのリサンプリングによって、不均衡を是正する技術は、クラス分類処理に適用されることが多い。クラス分類処理に適用されたリサンプリングは、学習データに含まれる各クラスのデータ数を調整することで完了する。一方、回帰処理に適用されたリサンプリングにおいては、連続値が推定対象となるため、データに対して希少度及び閾値を設定し、希少性の高い範囲と低い範囲に分割し、データ数を調整する範囲を決定する必要がある。

【0010】

回帰処理に適用されたリサンプリング処理において、そのデータの専門知識に基づき希少度及び閾値の設定を行うことが理想とされるが、高度な知識を必要とし、困難であることから、目的変数の分布から希少度を算出し、適当な閾値を選択する手法が用いられる。

【0011】

しかしながら、目的変数は説明変数と必ずしも一対一対応しておらず、目的変数のみに基づく希少度の算出方法では、リサンプリング後のデータの説明変数に新たな偏りが発生する場合があった。また、単一の閾値による分割では、分割数が少なく、リサンプリング後のデータの目的変数の分布に山が追加され、新たな偏りが発生する。すなわち、従来の技術では、リサンプリング処理によって新たな偏りが発生してしまい、適切なリサンプリングが行えるとは限らなかった。

【0012】

本発明は、新たな偏りを発生させず、全体的な不均衡性を解消するリサンプリングを行うことができるリサンプリング装置、情報処理システム、リサンプリング方法、及びリサンプリングプログラムを提供することを目的とする。

【課題を解決するための手段】

【0013】

第１の態様のリサンプリング装置は、目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得する取得部と、学習データからクラスタリングデータ、及びリサンプリングデータを生成する生成部と、クラスタリングデータに含まれる目的変数及び説明変数に対して、データが含まれる範囲を統一する正規化を行う正規化部と、正規化されたクラスタリングデータにおける目的変数に対して、重み付けを行う重み付け部と、重み付けされたクラスタリングデータをクラスタリングして、希少度を算出するクラスタリング部と、算出した希少度を用いて、リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングするリサンプリング部と、リサンプリング結果を用いて、訓練データを出力する出力部と、を備えている。

【0014】

第２の態様のリサンプリング装置は、第１の態様に係るリサンプリング装置において、データが、目的変数として栽培における植物生理に関する栽培データ、及び説明変数として植物の栽培環境に関する環境データを含む。

【0015】

第３の態様のリサンプリング装置は、第２の態様に係るリサンプリング装置において、栽培データは、光合成速度、及び蒸発散速度の少なくとも一方を含み、環境データは、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を含む。

【0016】

第４の態様のリサンプリング装置は、第１の態様から第３の態様の何れか１つの態様に係るリサンプリング装置において、リサンプリング部は、クラスタリングデータにおける希少度の統計値を算出し、クラスタリングされたクラスタに係る希少度が統計値に対応するまで、繰り返しリサンプリングを実行する。

【0017】

第５の態様のリサンプリング装置は、第４の態様に係るリサンプリング装置において、統計値は、クラスタに係るデータ量の平均値、又は中央値である。

【0018】

第６の態様のリサンプリング装置は、第１の態様から第５の態様の何れか１つの態様に係るリサンプリング装置において、リサンプリング部は、クラスタリングしたクラスタに含まれるデータを選択し、選択されたデータと、選択されたデータに最も近接したデータと、を用いて、新たなデータを生成する。

【0019】

第７の態様のリサンプリング装置は、第１の態様から第６の態様の何れか１つの態様に係るリサンプリング装置において、学習データは、連続した期間毎に分割された時系列データである。

【0020】

第８の態様の情報装置は、第１の態様から第７の態様の何れか１つの態様に係るリサンプリング装置と、植物の栽培に関する訓練データであって、リサンプリング装置によって出力された訓練データを用いて植物の成長度合を評価するための機械学習を行った学習済みモデルを用いて、入力された環境データに対する植物の成長度合を評価する評価装置と、を備えている。

【0021】

第９の態様のリサンプリング方法は、目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得するステップと、学習データからクラスタリングデータ、及びリサンプリングデータを生成するステップと、クラスタリングデータに含まれる目的変数及び説明変数に対して、データが含まれる範囲を統一する正規化を行うステップと、正規化されたクラスタリングデータにおける目的変数に対して、重み付けを行うステップと、重み付けされたクラスタリングデータをクラスタリングして、希少度を算出するステップと、算出した希少度を用いて、リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングするステップと、リサンプリング結果を用いて、訓練データを出力するステップと、を実行する。

【0022】

第１０の態様のリサンプリングプログラムは、コンピュータに、目的変数及び説明変数を含み、データ量に不均衡性を有する学習データを取得し、学習データからクラスタリングデータ、及びリサンプリングデータを生成し、クラスタリングデータに含まれる目的変数及び説明変数に対して、データが含まれる範囲を統一する正規化を行い、正規化されたクラスタリングデータにおける目的変数に対して、重み付けを行い、重み付けされたクラスタリングデータをクラスタリングして、希少度を算出し、算出した希少度を用いて、リサンプリングデータに対して、アンダーサンプリング、及びオーバーサンプリングの少なくとも一方を実行してリサンプリングし、リサンプリング結果を用いて、訓練データを出力する、ことを実行させるためのリサンプリングプログラム。

【発明の効果】

【0023】

本開示の技術によれば、リサンプリング処理による新たなデータの偏りを防ぎ、適切なリサンプリングを行うことができる、という効果を有する。

【図面の簡単な説明】

【0024】

【図1】本実施形態に係る情報処理システムの構成の一例を示すブロック図である。

【図2】本実施形態に係るリサンプリング装置、及び評価装置のハードウェア構成の一例を示すブロック図である。

【図3】本実施形態に係るリサンプリング装置の機能構成の一例を示すブロック図である。

【図4】本実施形態に係る評価装置の機能構成の一例を示すブロック図である。

【図5】本実施形態に係るリサンプリング処理、及び評価処理の流れの一例を示すデータフロー図である。

【図6】本実施形態に係る正規化及び重み付けの説明に供するクラスタリングの一例を示すグラフである。

【図7】本実施形態に係るクラスタリングされたクラスタリングデータの一例を示すグラフである。

【図8】本実施形態に係るアンダーサンプリングの一例を示すグラフである。

【図9】本実施形態に係るオーバーサンプリングの一例を示すグラフである。

【図10】本実施形態に係るクラスタリングされたリサンプリングデータの一例を示すグラフである。

【図11】本実施形態に係るリサンプリング処理の一例を示すフローチャートである。

【図12】本実施形態に係るアンダーサンプリング処理の一例を示すフローチャートである。

【図13】本実施形態に係るオーバーサンプリング処理の一例を示すフローチャートである。

【図14】本実施形態に係る評価処理の一例を示すフローチャートである。

【図15】本実施形態に係る光合成速度及び蒸発散速度における収集した実測値の確率密度、及び希少度の一例を示すグラフである。

【図16】本実施形態に係る光合成速度及び蒸発散速度における収集した実測値、及び推定した推定値の確率密度の一例を示すフローチャートである。

【発明を実施するための形態】

【0025】

以下、図面を参照して、本発明を実施するための形態例を詳細に説明する。

【0026】

まず、図１を参照して、情報処理システム１の構成について説明する。図１は、本実施形態に係る情報処理システム１の構成の一例を示すブロック図である。

【0027】

一例として、図１に示すように、本実施形態に係る情報処理システム１は、リサンプリング装置１０、及び評価装置５０を備えており、ネットワークＮを介して相互に接続されている。なお、本実施形態に係るリサンプリング装置１０、及び評価装置５０は、パーソナルコンピュータ等の端末、又はサーバである形態について説明する。

【0028】

リサンプリング装置１０は、収集したデータから後述する評価装置５０が機械学習を行うための訓練データを生成する。具体的には、不均衡性を有する収集したデータに対してデータの増幅及び削減を行い、不均衡を是正した訓練データを生成する。例えば、１日周期において、植物の光合成速度のデータを収集する場合、収集したデータのうち、光合成を行わない夜間のデータが多くを占めることがある。光合成を行わない期間が多くを占める不均衡性を有する収集したデータを用いても、光合成を行う期間のデータを十分に学習できず適切に光合成速度を推定できないことがある。そのため、リサンプリング装置１０は、収集したデータから夜間におけるデータを削減し、昼間におけるデータを増幅するような処理を行い、データ量が均衡となった訓練データを生成する。

【0029】

評価装置５０は、リサンプリング装置１０によって生成された訓練データを用いて植物の成長度合を評価するための機械学習を行った学習済みの評価モデルを備え、評価モデルを用いて、入力された環境データに対する植物の成長度合を評価する。

【0030】

なお、本実施形態に係るデータは、植物の栽培環境に関するデータ（以下、「環境データ」という。）と、栽培における植物生理に関するデータ（以下、「栽培データ」という。）と、を含んでいる植物の栽培に関するデータである形態について説明する。しかし、これに限定されない。例えば、データは、気象に関するデータ等であってもよいし、データに不均衡（偏り）が生じ得るデータであれば、如何なるデータであってもよい。

【0031】

また、本実施形態に係るリサンプリング装置１０、及び評価装置５０は、それぞれ別体である形態について説明した。しかし、これに限定されない。リサンプリング装置１０、及び評価装置５０は、同一の筐体に搭載されていてもよい。

【0032】

次に、図２を参照して、リサンプリング装置１０、及び評価装置５０のハードウェア構成について説明する。図２は、本実施形態に係るリサンプリング装置１０、及び評価装置５０のハードウェア構成の一例を示すブロック図である。

【0033】

一例として、図２に示すように、本実施形態に係るリサンプリング装置１０、及び評価装置５０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、モニタ１６、及び通信インターフェース（通信Ｉ／Ｆ）１７を含んで構成されている。ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、ストレージ１４、入力部１５、モニタ１６、及び通信Ｉ／Ｆ１７の各々は、バス１８により相互に接続されている。

【0034】

ＣＰＵ１１は、リサンプリング装置１０、及び評価装置５０の全体を統括し、制御する。ＲＯＭ１２は、本実施形態で用いるリサンプリングプログラム及び評価プログラムを含む各種プログラム及びデータ等を記憶している。ＲＡＭ１３は、各種プログラムの実行時のワークエリアとして用いられるメモリである。ＣＰＵ１１は、ＲＯＭ１２に記憶されたプログラムをＲＡＭ１３に展開して実行することにより、リサンプリング処理及び評価処理を行う。ストレージ１４は、一例としてＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、又はフラッシュメモリ等である。なお、ストレージ１４には、リサンプリングプログラム及び評価プログラム等を記憶してもよい。入力部１５は、文字及び画像等の入力を受け付けるマウス、及びキーボード等である。モニタ１６は、評価結果等を表示する。通信Ｉ／Ｆ１７は、データの送受信を行う。

【0035】

次に、図３、及び図４を参照して、リサンプリング装置１０、及び評価装置５０の機能構成について説明する。図３は、本実施形態に係るリサンプリング装置１０の機能的な構成の一例を示すブロック図である。図４は、本実施形態に係る評価装置５０の機能的な構成の一例を示すブロック図である。

【0036】

図３に示すように、リサンプリング装置１０は、取得部２１、データ生成部２２、正規化部２３、重み付け部２４、クラスタリング部２５、リサンプリング部２６、及び出力部２７を備えている。ＣＰＵ１１がリサンプリングプログラムを実行することで、取得部２１、データ生成部２２、正規化部２３、重み付け部２４、クラスタリング部２５、リサンプリング部２６、及び出力部２７として機能する。

【0037】

取得部２１は、機械学習で用いる学習データを取得する。なお、本実施形態に係る学習データは、説明変数、及び目的変数を有しており、説明変数、及び目的変数に対して不均衡性を有している形態について説明する。ここで、説明変数とは、目的変数を説明するための変数であり、目的変数とは、推定したい変数である。本実施形態では、環境データを説明変数とし、栽培データを目的変数とする。また、環境データは、例えば、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を含むデータであり、栽培データは、光合成速度、及び蒸発散速度である。すなわち、本実施形態では、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を用いて、光合成速度、及び蒸発散速度を推定する形態について説明する。

【0038】

データ生成部２２は、取得した学習データを用いて、クラスタリングデータ、及びリサンプリングデータを生成する。

【0039】

正規化部２３は、生成されたクラスタリングデータに対して、データが含まれる範囲を統一する正規化を行う。

【0040】

重み付け部２４は、正規化されたクラスタリングデータにおける目的変数に対して、重み付けを行う。

【0041】

クラスタリング部２５は、重み付けされたクラスタリングデータを説明変数及び目的変数に応じてクラスタリング（分類）して、クラスタリングされた各々のクラスタに対して希少度を算出する。

【0042】

リサンプリング部２６は、算出された希少度を用いて、リサンプリングデータに対して、オーバーサンプリング、及びアンダーサンプリングを実行する。

【0043】

出力部２７は、リサンプリング結果として、リサンプリングデータに対してオーバーサンプリング、及びアンダーサンプリングを実行した訓練データを出力する。なお、以下では、オーバーサンプリング、及びアンダーサンプリングを実行した後の学習データ（リサンプリングデータ）を「訓練データ」という。

【0044】

次に、図４を参照して、評価装置５０の機能構成について説明する。図４に示すように、評価装置５０は、取得部５１、評価部５２、及び学習部５３を備えている。ＣＰＵ１１が評価プログラムを実行することで、取得部５１、評価部５２、及び学習部５３として機能する。なお、取得部５１は、入力データ取得部５１Ａ、及び訓練データ取得部５１Ｂを備えている。

【0045】

取得部５１は、入力データ、及び訓練データを取得する。具体的には、入力データ取得部５１Ａは、入力データを取得し、訓練データ取得部５１Ｂは、訓練データを取得する。

【0046】

評価部５２は、学習データを用いて植物の成長度合を評価するための機械学習を行った学習済みの評価モデルを用いて、取得した入力データに対する植物の成長度合を評価する。具体的には、評価部５２は、入力データとして、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を含む環境データが入力された場合、光合成速度、及び蒸発散速度を含む栽培データを推定して提示する。

【0047】

学習部５３は、取得した訓練データを用いて、評価部５２の評価モデルに対して、植物の成長度合を評価するための機械学習を実行する。

【0048】

次に、リサンプリング装置１０、及び評価装置５０の作用を説明する前に、図５から図１０を参照して、訓練データの生成方法、及び評価モデルの学習方法について説明する。図５は、リサンプリング処理、及び評価処理の流れの一例を示すデータフロー図である。

【0049】

図５に示すように、環境データ、及び栽培データを含む収集したデータを学習データ３１、及びテストデータ３２に分割する。ここで、学習データ３１とは、後述する訓練データ３５を生成するためのデータである。また、テストデータ３２は、評価部５２の学習の度合を検証するためのデータである。

【0050】

リサンプリング装置１０における取得部２１は、学習データ３１を取得し、データ生成部２２に入力する。

【0051】

データ生成部２２は、入力された学習データ３１を複製し、クラスタリングデータ３３、及びリサンプリングデータ３４を生成する。また、データ生成部２２は、生成したクラスタリングデータ３３を正規化部２３に入力し、リサンプリングデータ３４をリサンプリング部２６に入力する。

【0052】

正規化部２３は、入力されたクラスタリングデータ３３の正規化を実行する。具体的には、図６（ａ）に示すように、説明変数、及び目的変数に係る各々のデータは、それぞれ異なるデータであるため、各々の単位、及び取り得る値の範囲が異なっている。そのため、正規化部２３は、クラスタリングデータ３３における説明変数、及び目的変数の各々のデータについて、データの値から取り得る値の最小値を減算し、取り得る値の幅の逆数を積算して、説明変数、及び目的変数の各々の値の範囲を０から１に統一する。例えば、湿度が０パーセントから１００パーセントまで取り得るとした場合、任意のデータに係る湿度の値に対して、１００分の１を積算して、湿度の値を正規化する。図６（ｂ）は、正規化したクラスタリングデータ３３の一例を示すグラフである。

【0053】

また、正規化部２３は、正規化したクラスタリングデータ３３を重み付け部２４に入力する。

【0054】

重み付け部２４は、入力された正規化したクラスタリングデータ３３における目的変数に対して、重み付けを行う。一例として図６に示すように、重み付け部２４は、図６（ｂ）に示すクラスタリングデータ３３の目的変数に重みｔ_ｓを積算して、重み付けを行う。図６（ｃ）は、目的変数に対して重み付けしたクラスタリングデータ３３の一例を示すグラフである。

【0055】

ここで、重みｔ_ｓは、説明変数、及び目的変数に応じて予め定められてもよいし、後述する評価部５２の検証結果をフィードバックして調整してもよい。

【0056】

クラスタリング部２５は、一例として図７に示すように、ｋ－ｍｅａｎｓ法を用いて、重み付けされたクラスタリングデータ３３をｋ個のクラスタにクラスタリングする。

【0057】

また、クラスタリング部２５は、クラスタ毎のデータを特定して、クラスタ毎のクラスタサイズ（クラスタのデータ量）を算出し、各々のクラスタの希少度、及びクラスタリングデータにおける希少度の平均値を算出する。また、クラスタリング部２５は、特定したクラスタに関する情報、クラスタ毎の希少度、及び希少度の平均値をリサンプリング部２６に入力する。

【0058】

具体的には、クラスタリング部２５は、クラスタに属しているデータを特定して、クラスタ毎のクラスタサイズを集計し、クラスタサイズの逆数を希少度として算出する。また、クラスタリング部２５は、クラスタリングデータにおけるクラスタサイズの平均値の逆数を希少度の平均値として算出する。ここで、クラスタサイズの平均値は、例えば、クラスタリングデータ３３における全データ量Ｎに、クラスタの数ｋを除算する（全データ量Ｎ÷クラスタの数ｋを求める）ことによって算出される。

【0059】

リサンプリング部２６は、入力された希少度と、希少度の平均値と、を比較して、リサンプリングデータ３４に対してデータの削除及び増幅を実行する。具体的には、リサンプリング部２６は、クラスタにおける希少度が平均値未満である場合、クラスタに対してアンダーサンプリングを実行し、クラスタにおける希少度が平均値を超えている場合、クラスタに対してオーバーサンプリングを実行する。

【0060】

ここで、アンダーサンプリングとは、一例として図８（ａ）、及び図８（ｂ）に示すように、データ４１及び４２を用いて新たなデータ４３を生成し、データ４１及び４２を削除することによって、クラスタにおけるデータ量を削減する手法である。例えば、図８（ａ）に示すように、クラスタにおいて、ランダムに選択されたデータ４１と、選択されたデータ４１に最も近接なデータ４２が抽出され、抽出された２点のデータ間に新たなデータ４３が生成される。また、図８（ｂ）に示すように、２点のデータ４１及び４２が削除されることによって、クラスタにおけるデータ量が削減される。なお、新たなデータ４３は、以下の式に従って生成される。

【0061】

【数1】

【0062】

ここで、ｄ_１は、ランダムに選択された任意のデータ４１の座標であり、ｄ_２は、選択されたデータ４１に最も近接なデータ４２の座標であり、ｄ_ｎは、新たに生成されたデータ４３の座標であり、ｒ_ｎは、０から１の範囲でランダムに設定された係数である。

【0063】

上述した式（１）に示すように、データ４１及びデータ４２における２点間の距離に係数ｒ_ｎを積算した距離が算出され、新たなデータ４３は、データ４２の座標ｄ_２から、算出した距離だけ離れた位置に生成される。すなわち、新たなデータ４３は、データ４１及びデータ４２の２点間にランダムに生成される。

【0064】

また、オーバーサンプリングとは、一例として図９（ａ）、及び図９（ｂ）に示すように、データ４１及び４２を用いて新たなデータ４３を生成することによって、クラスタにおけるデータ量を増幅する手法である。例えば、図９（ａ）に示すように、クラスタにおいて、ランダムに選択されたデータ４１と、選択されたデータ４１に最も近接なデータ４２が抽出され、抽出された２点のデータ間に新たなデータ４３が生成される。オーバーサンプリングは、図８に示すアンダーサンプリングとは異なり、選択された４１及び４２のデータの削除は行わず、２点のデータ４１及びデータ４２が残ることによって、クラスタにおけるデータ量が増幅される。なお、新たなデータ４３は、上述した式（１）に従って生成される。

【0065】

リサンプリング部２６は、一例として図１０に示すように、リサンプリングとして実行したアンダーサンプリング、及びオーバーサンプリングの実行結果をリサンプリングデータ３４に対して反映する。すなわち、リサンプリング部２６は、特定されたクラスタ毎に、生成する新たなデータ４３と、削除するデータ４１及びデータ４２と、を特定し、リサンプリングデータ３４に対して、データ４３の生成、及びデータ４１及び４２の削除を行う。また、リサンプリング部２６は、クラスタにおける希少度が、平均値と等しくなるまで繰り返しアンダーサンプリング、及びオーバーサンプリングを実行する。なお、図１０は、リサンプリング部２６によって実行されたリサンプリング結果の一例である。

【0066】

リサンプリング部２６は、図５に示すように、リサンプリングデータ３４に対して、アンダーサンプリング、及びオーバーサンプリングを実行して、データの削減及び増幅を行ったリサンプリング結果を出力部２７に入力する。

【0067】

出力部２７は、リサンプリング結果を訓練データ３５として出力する。

【0068】

一方、評価装置５０における訓練データ取得部５１Ｂは、リサンプリング装置１０が出力した訓練データ３５を取得し、学習部５３に入力する。

【0069】

学習部５３は、入力された訓練データ３５を用いて、評価部５２における評価モデルの機械学習を実行する。

【0070】

入力データ取得部５１Ａは、入力データとして、テストデータ３２を取得し、テストデータ３２における説明変数を評価部５２に入力する。

【0071】

評価部５２は、入力された説明変数に対する目的変数を推定して提示する。例えば、評価部５２は、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度を含む環境データに対して、光合成速度、及び蒸発散速度を含む栽培データを推定する。

【0072】

なお、本実施形態に係る評価部５２は、推定した目的変数を提示する形態について説明した。しかし、これに限定されない。例えば、評価部５２は、推定した目的変数と、テストデータ３２における目的変数と、を比較して推定した結果を評価してもよい。具体的には、推定した目的変数と、テストデータ３２における目的変数と、の差分が予め定められた範囲に納まっていない場合、評価部５２は、リサンプリング装置１０に対して、重みｔ_ｓを変更した訓練データ３５を再生成する指示を送信してもよい。評価装置５０は、再生成された訓練データ３５を用いて評価部５２の機械学習を再実行してもよい。

【0073】

次に、図１１から図１３を参照して、本実施形態に係るリサンプリング装置１０の作用について説明する。図１１は、本実施形態に係るリサンプリング処理の一例を示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４からリサンプリングプログラムを読み出し、実行することによって、図１１に示すリサンプリング処理プログラムが実行される。図１１に示すリサンプリングプログラムは、例えば、ユーザから学習データが入力され、リサンプリング処理を実行する指示が入力された場合、実行される。

【0074】

ステップＳ１０１において、ＣＰＵ１１は、学習データ３１を取得する。

【0075】

ステップＳ１０２において、ＣＰＵ１１は、クラスタリングデータ３３、及びリサンプリングデータ３４を生成する。

【0076】

ステップＳ１０３において、ＣＰＵ１１は、クラスタリングデータ３３に対して、正規化する。

【0077】

ステップＳ１０４において、ＣＰＵ１１は、正規化されたクラスタリングデータ３３における目的変数に対して重みを積算して重み付けをする。

【0078】

ステップＳ１０５において、ＣＰＵ１１は、重み付けされたクラスタリングデータ３３に対してクラスタリングする。

【0079】

ステップＳ１０６において、ＣＰＵ１１は、希少度の平均値を算出する。ここで、希少度の平均値は、クラスタサイズの平均値の逆数である。ここで、クラスタサイズの平均値は、クラスタリングデータ３３における全データ量Ｎに、クラスタの数ｋを除算して導出される。

【0080】

ステップＳ１０７において、ＣＰＵ１１は、クラスタリングされたクラスタのうち、１つのクラスタを特定する。

【0081】

ステップＳ１０８において、ＣＰＵ１１は、特定したクラスタのクラスタサイズを算出し、当該クラスタの希少度として、クラスタサイズの逆数を算出する。

【0082】

ステップＳ１０９において、ＣＰＵ１１は、特定したクラスタの希少度が、希少度の平均値未満であるか否かの判定を行う。特定したクラスタの希少度が、希少度の平均値未満である場合（ステップＳ１０９：ＹＥＳ）、ＣＰＵ１１は、ステップＳ１１０に移行する。一方、特定したクラスタの希少度が、希少度の平均値未満でない（クラスタの希少度が、希少度の平均値以上である）場合、ＣＰＵ１１は、ステップＳ１１１に移行する。

【0083】

ステップＳ１１０において、ＣＰＵ１１は、リサンプリングデータ３４に対して、アンダーサンプリング処理を実行する。なお、アンダーサンプリング処理については、後述する図１２にて詳細に説明する。

【0084】

ステップＳ１１１において、ＣＰＵ１１は、特定したクラスタの希少度が、希少度の平均値を超えているか否かの判定を行う。特定したクラスタの希少度が、希少度の平均値を超えている場合（ステップＳ１１１：ＹＥＳ）、ＣＰＵ１１は、ステップＳ１１２に移行する。一方、特定したクラスタの希少度が、希少度の平均値を超えていない（クラスタの希少度が、希少度の平均値である）場合、ＣＰＵ１１は、ステップＳ１１３に移行する。

【0085】

ステップＳ１１２において、ＣＰＵ１１は、リサンプリングデータ３４に対して、オーバーサンプリング処理を実行する。なお、オーバーサンプリング処理については、後述する図１３にて詳細に説明する。

【0086】

ステップＳ１１３において、ＣＰＵ１１は、クラスタリングされたクラスタについて、すべてのクラスタを処理したか否かの判定を行う。すべてのクラスタを処理した場合（ステップＳ１１３：ＹＥＳ）、ＣＰＵ１１は、ステップＳ１１４に移行する。一方、すべてのクラスタを処理していない（処理をしていないクラスタが存在する）場合、ＣＰＵ１１は、ステップＳ１０７に移行する。

【0087】

ステップＳ１１４において、ＣＰＵ１１は、リサンプリング結果を用いて、訓練データ３５を生成して出力する。

【0088】

次に、図１２を参照して、アンダーサンプリング処理について説明する。図１２は、本実施形態に係るアンダーサンプリング処理の一例を示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４からアンダーサンプリングプログラムを読み出し、実行することによって、図１２に示すアンダーサンプリングプログラムが実行される。図１２に示すアンダーサンプリングプログラムは、例えば、アンダーサンプリング処理を実行する指示が入力された場合、実行される。

【0089】

ステップＳ２０１において、ＣＰＵ１１は、特定されたクラスタに含まれるデータのうち、１つのデータ４１をランダムに選択する。

【0090】

ステップＳ２０２において、ＣＰＵ１１は、選択したデータから最も近接なデータ４２を選択する。

【0091】

ステップＳ２０３において、ＣＰＵ１１は、リサンプリングデータ３４において、選択されたデータ４１と、当該データに最も近接なデータ４２と、２点の間に新たなデータ４３を生成する。

【0092】

ステップＳ２０４において、ＣＰＵ１１は、リサンプリングデータ３４において、選択されたデータ４１と、当該データに最も近接なデータ４２と、を削除する。

【0093】

ステップＳ２０５において、ＣＰＵ１１は、クラスタのクラスタサイズを算出し、当該クラスタの希少度として、クラスタサイズの逆数を算出する。

【0094】

ステップＳ２０６において、ＣＰＵ１１は、クラスタの希少度が、希少度の平均値以上であるか否かの判定を行う。クラスタの希少度が、希少度の平均値以上である場合（ステップＳ２０６：ＹＥＳ）、ＣＰＵ１１は、アンダーサンプリング処理を終了する。一方、クラスタの希少度が、希少度の平均値以上でない（クラスタの希少度が、希少度の平均値未満である）場合、ＣＰＵ１１は、ステップＳ２０１に移行する。

【0095】

次に、図１３を参照して、オーバーサンプリング処理について説明する。図１３は、本実施形態に係るオーバーサンプリング処理の一例を示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４からオーバーサンプリングプログラムを読み出し、実行することによって、図１３に示すオーバーサンプリングプログラムが実行される。図１３に示すオーバーサンプリングプログラムは、例えば、オーバーサンプリング処理を実行する指示が入力された場合、実行される。

【0096】

ステップＳ３０１において、ＣＰＵ１１は、特定されたクラスタに含まれるデータのうち、１つのデータ４１をランダムに選択する。

【0097】

ステップＳ３０２において、ＣＰＵ１１は、選択したデータ４１から最も近接なデータ４２を選択する。

【0098】

ステップＳ３０３において、ＣＰＵ１１は、リサンプリングデータ３４において、選択されたデータ４１と、当該データに最も近接なデータ４２と、２点の間に新たなデータ４３を生成する。

【0099】

ステップＳ３０４において、ＣＰＵ１１は、クラスタのクラスタサイズを算出し、当該クラスタの希少度として、クラスタサイズの逆数を算出する。

【0100】

ステップＳ３０５において、ＣＰＵ１１は、クラスタの希少度が、希少度の平均値以下であるか否かの判定を行う。クラスタの希少度が、希少度の平均値以下である場合（ステップＳ３０５：ＹＥＳ）、ＣＰＵ１１は、オーバーサンプリング処理を終了する。一方、クラスタの希少度が、希少度の平均値以下でない（クラスタの希少度が、希少度の平均値を超えている）場合、ＣＰＵ１１は、ステップＳ３０１に移行する。

【0101】

次に、図１４を参照して、本実施形態に係る評価装置５０の作用について説明する。図１４は、本実施形態に係る評価処理の一例を示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から評価プログラムを読み出し、実行することによって、図１４に示す評価処理プログラムが実行される。図１４に示す評価プログラムは、例えば、ユーザからテストデータが入力され、リサンプリング処理を実行する指示が入力された場合、実行される。

【0102】

ステップＳ４０１において、ＣＰＵ１１は、リサンプリング装置１０が出力した訓練データを取得する。

【0103】

ステップＳ４０２において、ＣＰＵ１１は、取得した訓練データ３５を用いて評価モデルに対して機械学習を実行する。

【0104】

ステップＳ４０３において、ＣＰＵ１１は、入力データとして、テストデータ３２を取得する。

【0105】

ステップＳ４０４において、ＣＰＵ１１は、取得したテストデータ３２を用いて、テストデータ３２における説明変数に対応する目的変数を推定して評価する。

【0106】

以上説明したように、本実施形態によれば、リサンプリング処理による新たなデータの偏りを防ぎ、適切なリサンプリングを行うことができる。

【0107】

なお、本実施形態では、クラスタの希少度の閾値として、希少度の平均値を算出する形態について説明した。しかし、これに限定されない。クラスタの希少度の閾値として、希少度の中央値を算出してもよいし、クラスタリングの結果からパーセンタイルを設定してもよい。また、本実施形態では、クラスタにおける希少度が、希少度の平均値と一致するまでリサンプリング処理を実行する形態について説明した。しかし、これに限定されない。例えば、希少度の平均値から予め定められた範囲に納まるまでリサンプリング処理を実行してもよい。ここで、平均値、中央値、及びパーセンタイルは、「統計値」の一例である。

【0108】

（リサンプリング装置の検証例）
以下では、本実施形態に係るリサンプリング装置１０の有効性を検証した実験について説明する。

【0109】

実験の内容として、植物が行う光合成の速度を示す光合成速度、及び植物が行う蒸発及び発散の速度を示す蒸発散速度を集計し、集計した光合成速度、及び蒸発散速度と、評価装置５０が推定した光合成速度、及び蒸発散速度と、の比較を行った。

【0110】

収集したデータについて、説明変数として、温度、湿度、飽差、二酸化炭素濃度、及び光合成有効光量子束密度に係るデータを収集し、目的変数として光合成速度、及び蒸発散速度を収集した。評価装置５０は、説明変数を入力データとして、目的変数を推定する機械学習を行った。

【0111】

データを収集した期間は、説明変数を１分おきに収集し、目的変数を１０分おきに収集した。データの収集期間は２２４日間であり、収集時間は２４時間に亘り収集を行った。
また、収集方法として、チャンバー法を採用して、各種センサを用いて温度、湿度、飽差、二酸化炭素濃度、水蒸気量差、光合成有効光量子束密度、光合成速度、及び蒸発散速度のデータを収集した。

【0112】

なお、対象の植物として、苺（品種：きらぴ香）を採用した。また、各種センサとして、温湿度センサ、二酸化炭素センサ、光合成有効光量子束密度センサ、反射型散乱光センサを採用した。光合成速度、及び蒸発散速度は、以下の数式によって算出して実測値とした。

【0113】

【数2】

【数3】

【0114】

ここで、ＣＥＲは、光合成速度でありＦ_ｒは、１分毎の空気の流量であり、ΔＣＯ_２は、二酸化炭素濃度差であり、Ｔ_ｉｎは、チャンバー内の気温である。ＥＴは、１分毎の蒸発散速度であり、ΔＨ_２Ｏは、１立方メートル当たりの水蒸気量差である。

【0115】

また、本実施形態では、収集したデータ１日毎に分割したデータを１つのデータとして説明する。しかし、これに限定されない。例えば、３時間毎及び３日毎等の連続した期間毎に分割された時系列データを一つのデータとしてもよい。また、時系列データを１つのデータとする場合において、各々の時系列データにおいて他の時系列データと期間が重複するように設定されてもよい。期間が重複する時系列データを設定することによって、データの削減及び増幅を行った場合において離散的なデータとなることを抑制し、時系列を保持したままデータの削減及び増幅を行うことが可能である。

【0116】

収集した光合成速度の確率密度６１、及び希少度６２の対応関係と、蒸発散速度の確率密度６３、及び希少度６４の対応関係と、を図１５に示す。図１５を参照すると、光合成速度の確率密度６１、及び蒸発散速度の確率密度６３が「０．０」近傍に、データが集中している。そのため、光合成速度、及び蒸発散速度が大きくなるほど、光合成速度の希少度６２、及び蒸発散速度の希少度６４が高くなり、収集したデータは、不均衡であることがわかる。したがって、本実施形態に係るリサンプリング装置１０を用いて、データ量を均一にした訓練データの生成を行い、当該訓練データを用いて評価装置５０にて機械学習を実行した。

【0117】

図１６は、光合成速度、及び蒸発散速度おける収集した実測値、及びリサンプリングを適用した訓練データの一例を示すグラフである。ここで、訓練データは、本実施形態に係るリサンプリング手法、及びＳＭＯＴＥＲ（Ｓｙｎｔｈｅｔｉｃ Ｍｉｎｏｒｉｔｙ Ｏｖｅｒ－ｓａｍｐｌｉｎｇ ＴＥｃｈｎｉｑｕｅ ｆｏｒ Ｒｅｇｒｅｓｓｉｏｎ）により不均衡を是正したデータである。

【0118】

図１６は、光合成速度における実測値６５、本実施形態に係るリサンプリング装置１０による訓練データ６６、及びＳＭＯＴＥＲによる訓練データ６７の一例を示している。また、蒸発散速度における実測値６８、本実施形態に係るリサンプリング装置１０による訓練データ６９、及びＳＭＯＴＥＲによる訓練データ７０の一例を示している。

【0119】

図１６に示すように、光合成速度において、本実施形態に係る訓練データ６６は、ＳＭＯＴＥＲによる訓練データ６７と比較して、実測値６５に似た形状に分布していることが分かる。また、蒸発散速度についても同様に、本実施形態に係る訓練データ６９は、ＳＭＯＴＥＲによる訓練データ７０と比較して、実測値６８に似た形状に分布していることが分かる。

【0120】

これは、クラスタの希少度に応じて、オーバーサンプリング、及びアンダーサンプリングを実行することによって、様々な環境条件のデータを均一に学習が可能となったためである。すなわち、本実施形態に係るリサンプリング装置１０におけるリサンプリング方法は、機械学習時の推定精度向上に効果的であることを示している。

【0121】

また、本実施形態に係るリサンプリング装置１０は、複数の説明変数、及び目的変数を用いた場合であっても、ユーザによる希少度及び閾値の設定を要せずに、リサンプリング処理を実行することができる点で優れている。

【0122】

以上、各実施形態を用いて本発明について説明したが、本発明は各実施形態に記載の範囲には限定されない。本発明の要旨を逸脱しない範囲で各実施形態に多様な変更又は改良を加えることができ、当該変更又は改良を加えた形態も本発明の技術的範囲に含まれる。

【0123】

なお、上記実施形態において、プロセッサとは広義的なプロセッサを指し、例えば汎用的なプロセッサ（例えば、ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）や、専用のプロセッサ（例えば、ＧＰＵ：Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＡＳＩＣ：Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、ＦＰＧＡ：Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、プログラマブル論理デバイス、等）を含むものである。

【0124】

また、本実施形態におけるプロセッサの動作は、１つのプロセッサによって成すのみでなく、物理的に離れた位置に存在する複数のプロセッサが協働して成すものであってもよい。また、プロセッサの各動作の順序は本実施形態において記載した順序のみに限定されるものではなく、適宜変更してもよい。

【0125】

また、本実施形態では、リサンプリングプログラムがストレージにインストールされている形態を説明したが、これに限定されるものではない。本実施形態に係るリサンプリングプログラムを、コンピュータが読取可能な記憶媒体に記録した形態で提供してもよい。例えば、本発明に係るリサンプリングプログラムを、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）－ＲＯＭ等の光ディスクに記録した形態で提供してもよい。本実施形態に係るリサンプリングプログラムを、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ及びメモリカード等の半導体メモリに記録した形態で提供してもよい。また、本実施形態に係るリサンプリングプログラムを、通信Ｉ／Ｆに接続された通信回線を介して外部装置から取得するようにしてもよい。

【符号の説明】

【0126】

１ 情報処理システム
１０ リサンプリング装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ ストレージ
１５ 入力部
１６ モニタ
１７ 通信Ｉ／Ｆ
１８ バス
２１ 取得部
２２ データ生成部
２３ 正規化部
２４ 重み付け部
２５ クラスタリング部
２６ リサンプリング部
２７ 出力部
３１ 学習データ
３２ テストデータ
３３ クラスタリングデータ
３４ リサンプリングデータ
３５ 訓練データ
４１、４２、４３ データ
５０ 評価装置
５１ 取得部
５１Ａ 入力データ取得部
５１Ｂ 訓練データ取得部
５２ 評価部
５３ 学習部
６１、６３ 確率密度
６２、６４ 希少度
６５、６８ 実測値
６６、６７、６９、７０ 訓練データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】