特開 2024-52055 予測モデル生成装置、予測装置、予測モデル生成方法、予測方法、およびプログラム

(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】P2024052055

(43)【公開日】2024-04-11

(54)【発明の名称】予測モデル生成装置、予測装置、予測モデル生成方法、予測方法、およびプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240404BHJP

【ＦＩ】

G06N20/00

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2022158495

(22)【出願日】2022-09-30

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】湯本 英二

(72)【発明者】

【氏名】林谷 昌洋

(72)【発明者】

【氏名】西原 康介

(57)【要約】

【課題】予測フェーズにおける計算負荷を軽減できるとともに解釈性が良い予測モデルを生成する。
【解決手段】予測モデル生成装置（１）は、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出部（１１）と、各特徴量の寄与度に基づいて、複数の特徴量のうち一部を選択する特徴量選択部（１２）と、選択された特徴量を入力として予測結果を出力する新たな予測モデルを生成する予測モデル生成部（１３）と、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、
を含む、予測モデル生成装置。

【請求項2】

前記選択された特徴量の個数が複数であるとき、前記新たな予測モデルを検証対象として、前記寄与度算出手段、前記特徴量選択手段、および前記予測モデル生成手段が再度機能する、
請求項１に記載の予測モデル生成装置。

【請求項3】

前記寄与度算出手段は、各特徴量の寄与度を、前記検証データセットにおいて当該特徴量の値を変更した場合の前記検証対象の予測モデルの評価値と、変更しない場合の前記評価値と、の差に基づいて算出する、
請求項１または２に記載の予測モデル生成装置。

【請求項4】

前記寄与度算出手段は、前記検証データセットに含まれる複数のデータ片の間で当該特徴量の値をランダムに入れ替えることにより、当該特徴量の値を変更する、
請求項３に記載の予測モデル生成装置。

【請求項5】

前記寄与度算出手段は、各特徴量について、複数の前記検証データセットを用いて複数の前記寄与度を算出し、
前記特徴量選択手段は、複数の前記寄与度から得られる統計量が所定条件を満たす特徴量を選択する、
請求項１または２に記載の予測モデル生成装置。

【請求項6】

前記特徴量選択手段は、前記所定条件として、複数の前記寄与度の平均値から標準偏差を引いた値が閾値以上であることを適用する、
請求項５に記載の予測モデル生成装置。

【請求項7】

請求項１または２に記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いる予測装置であって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、
を含む予測装置。

【請求項8】

コンピュータが、
検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出することと、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択することと、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成することと、
を含む、予測モデル生成方法。

【請求項9】

コンピュータが、
請求項１または２に記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いて行う予測方法であって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出することと、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力することと、
を含む、予測方法。

【請求項10】

コンピュータを、
検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、
として機能させる、プログラム。

【請求項11】

コンピュータを、
請求項１または２に記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いて機能させるプログラムであって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、
として機能させる、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、予測モデルを生成する技術、および予測モデルを用いて予測を行う技術に関する。

【背景技術】

【0002】

特許文献１には、患者の生体情報から得られた特徴量に基づいて患者の不穏状態を予測するシステムが記載されている。当該システムは、過去に患者が不穏状態であったときの生体情報から得られた特徴量と、非不穏状態であったときの生体情報から得られた特徴量と、を学習データとして学習された予測モデルを用いて、患者の不穏状態を予測している。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１９／０４４６１９号

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載のシステムにおいては、予測モデルの学習データとして用いる特徴量が多数であることが多い。これは、不穏の要因がよくわかっていないため、要因の可能性がある多数の特徴量を用いて学習データとするためである。このような学習データから生成された予測モデルは、入力される多数の特徴量のうち何れが予測に寄与しているのかがわからず、解釈性が良くないという問題がある。また、このような予測モデルは、予測フェーズにおいて特徴量の計算負荷が高くなるという問題がある。これらの問題は、患者の不穏状態に限らず、要因が明確でない事象を予測する予測モデルにおいても同様に生じる問題である。

【0005】

本発明の一態様は、上記の問題に鑑みてなされたものであり、予測フェーズにおける計算負荷を軽減できるとともに解釈性が良い予測モデルを生成する技術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】

【0006】

本発明の一態様に係る予測モデル生成装置は、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、を含む。

【0007】

本発明の一態様に係る予測装置は、上述した予測モデル生成装置によって生成された前記新たな予測モデルを用いる予測装置であって、予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、を含む。

【0008】

本発明の一態様に係る予測モデル生成方法は、コンピュータが、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出することと、各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択することと、前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成することと、を含む。

【0009】

本発明の一態様に係る予測方法は、コンピュータが、上述した予測モデル生成装置によって生成された前記新たな予測モデルを用いて行う予測方法であって、予測対象から得られる情報に基づいて、前記選択された特徴量を算出することと、前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力することと、を含む。

【0010】

本発明の一態様に係るプログラムは、コンピュータを、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、として機能させる。

【0011】

本発明の一態様に係るプログラムは、コンピュータを、上述した予測モデル生成装置によって生成された前記新たな予測モデルを用いて機能させるプログラムであって、予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、として機能させる。

【発明の効果】

【0012】

本発明の一態様によれば、予測フェーズにおける計算負荷を軽減できるとともに解釈性が良い予測モデルを生成することができる。

【図面の簡単な説明】

【0013】

【図1】本発明の例示的実施形態１に係る予測モデル生成装置の構成を示すブロック図である。

【図2】本発明の例示的実施形態１に係る予測モデル生成方法の流れを示すフロー図である。

【図3】本発明の例示的実施形態２に係る予測モデル生成装置の機能的な構成を示すブロック図である。

【図4】本発明の例示的実施形態２に係る予測モデル生成方法の流れを示すフロー図である。

【図5】本発明の例示的実施形態２に係る予測モデル生成方法の各ステップを説明する模式図である。

【図6】本発明の例示的実施形態３に係る予測装置の構成を示すブロック図である。

【図7】本発明の例示的実施形態３に係る予測方法の流れを示すフロー図である。

【図8】本発明の各例示的実施形態に係る各装置のハードウェア構成例を示すブロック図である。

【発明を実施するための形態】

【0014】

以下の説明において、「学習データセット」とは、予測モデルの学習に用いるデータセットであり、訓練データセットと呼称されることもある。また、「検証データセット」とは、予測モデルの性能を評価するために用いるデータセットであり、テストデータセットと呼称されることもある。

【0015】

〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。

【0016】

（予測モデル生成装置１の構成）
本例示的実施形態に係る予測モデル生成装置１の構成について、図１を参照して説明する。図１は、予測モデル生成装置１の構成を示すブロック図である。図１に示すように、予測モデル生成装置１は、寄与度算出部１１と、特徴量選択部１２と、予測モデル生成部１３と、を含む。寄与度算出部１１は、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、当該検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する。特徴量選択部１２は、各特徴量の寄与度に基づいて、複数の特徴量のうち一部を選択する。予測モデル生成部１３は、選択された特徴量を入力として予測結果を出力する新たな予測モデルを生成する。

【0017】

（プログラムによる実現例）
予測モデル生成装置１をコンピュータにより構成する場合、コンピュータのメモリには、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、当該検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出部１１と、各特徴量の寄与度に基づいて、複数の特徴量のうち一部を選択する特徴量選択部１２と、選択された特徴量を入力として予測結果を出力する新たな予測モデルを生成する予測モデル生成部１３と、として機能させる。

【0018】

（予測モデル生成方法Ｓ１の流れ）
以上のように構成された予測モデル生成装置１は、本例示的実施形態に係る予測モデル生成方法Ｓ１を実行する。予測モデル生成方法Ｓ１の流れについて、図２を参照して説明する。図２は、予測モデル生成方法Ｓ１の流れを示すフロー図である。図２に示すように、予測モデル生成方法Ｓ１は、寄与度算出ステップＳ１１、特徴量選択ステップＳ１２、および予測モデル生成ステップＳ１３を含む。寄与度算出ステップＳ１１において、寄与度算出部１１は、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、当該検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する。特徴量選択ステップＳ１２において、特徴量選択部１２は、各特徴量の寄与度に基づいて、複数の特徴量のうち一部を選択する。予測モデル生成ステップＳ１３において、予測モデル生成部１３は、選択された特徴量を入力として予測結果を出力する新たな予測モデルを生成する。

【0019】

（本例示的実施形態の効果）
以上のように、本例示的実施形態に係る予測モデル生成装置１、プログラム、および予測モデル生成方法Ｓ１においては、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、当該検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出し、各特徴量の寄与度に基づいて、複数の特徴量のうち一部を選択し、選択された特徴量を入力として予測結果を出力する新たな予測モデルを生成する、との構成が採用されている。上記構成によれば、予測フェーズにおける計算負荷を軽減できるとともに解釈性が良い予測モデルを生成することができる、との効果が得られる。

【0020】

〔例示的実施形態２〕
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。

【0021】

（予測モデル生成装置１０の機能的な構成）
本発明の第２の例示的実施形態に係る予測モデル生成装置１０の構成について、図３を参照して説明する。図３は、予測モデル生成装置１０の機能的な構成を示すブロック図である。図３に示すように、予測モデル生成装置１０は、制御部１１０と、記憶部１２０と、を含む。制御部１１０は、予測モデル生成装置１０の各部を統括して制御する。制御部１１０は、寄与度算出部１１と、特徴量選択部１２と、予測モデル生成部１３と、データ生成部１４と、判定部１５と、選択結果出力部１６と、を含む。記憶部１２０は、制御部１１０が使用する各種のデータを記憶する。例えば、記憶部１２０は、データセットＤＳと、評価関数Ｆと、閾値ｔｈと、を記憶する。

【0022】

データセットＤＳは、複数のデータ片、および各データ片に関連付けられた予測ラベルを含んでいる。データ片は、Ｎ個の特徴量を含んでいる（Ｎは２以上の自然数）。なお、データセットＤＳに含まれる特徴量の個数Ｎは、後述する特徴量削減処理により変化し得る。また、データセットＤＳは、交差検証のためにＭ個に分割される（Ｍは２以上の自然数）。換言すると、データセットＤＳは、Ｍ個のデータセットＤＳ－ｉ（ｉ＝１、２、…Ｍ）からなる。

【0023】

評価関数Ｆは、予測モデルの性能を評価するための評価値を算出する関数である。評価関数Ｆとしては、例えば、公知の評価関数を適用してもよい。例えば、評価関数Ｆとしては、正解率（ａｃｃｕｒａｃｙ）、適合率（ｐｒｅｃｉｓｉｏｎ）、負の乖離度（ｌｏｇ ｌｏｓｓ）を算出する関数が挙げられるが、これに限られない。なお、評価関数Ｆは、予め記憶部１２０に記憶されていてもよいし、入力装置（図示せず）から入力されてもよい。

【0024】

閾値ｔｈは、特徴量を選択するか否かを決定するために用いられる寄与度の値である。閾値ｔｈは、予め記憶部１２０に記憶されていてもよいし、入力装置（図示せず）から入力されてもよい。

【0025】

寄与度算出部１１は、検証対象の予測モデルＭＬ－ｉの学習に用いた学習データセットとは異なる検証データセットを用いて、Ｎ個の特徴量の各々について予測結果への寄与度を算出する。予測モデルＭＬ－ｉは、Ｎ個の特徴量を入力として予測結果を出力するモデルである。なお、予測モデルＭＬ－ｉは、後述する予測モデル生成部１３により学習データセットを用いて生成される。予測モデルＭＬ－ｉの学習に用いられる学習データセットは、データセットＤＳ－１～ＤＳ－Ｍのうち、データセットＤＳ－ｉ以外の全てを含む。予測モデルＭＬ－ｉの検証に用いられる検証データセットは、データセットＤＳ－ｉである。つまり、寄与度算出部１１および予測モデル生成部１３は、データセットＤＳをＭ個に分割して交差検証を行う。

【0026】

このように、寄与度算出部１１は、１つのデータセットＤＳ－ｉにつきＮ個の各特徴量の寄与度を算出することを、Ｍ個のデータセットＤＳ－ｉについてそれぞれ行う。これにより、Ｎ個の各特徴量について、Ｍ個ずつの寄与度が算出される。換言すると、寄与度算出部１１は、各特徴量について、Ｍ個の検証データセット（データセットＤＳ－１～ＤＳ－Ｍ）を用いてＭ個の寄与度を算出する。寄与度の算出手法の具体例については、後述する「予測モデル生成方法Ｓ１０の流れ」において説明する。

【0027】

特徴量選択部１２は、各特徴量の寄与度に基づいて、Ｎ個の特徴量のうち一部の特徴量を選択する。具体的には、特徴量選択部１２は、Ｍ個の寄与度から得られる統計量が所定条件を満たす特徴量を選択する。選択される特徴量の個数は、１つであってもよいし、複数であってもよい。また、所定条件を満たす特徴量が存在しなければ、１つも選択されない。所定条件の具体例については、後述する「予測モデル生成方法Ｓ１０の流れ」において説明する。

【0028】

予測モデル生成部１３は、Ｎ個の特徴量を入力として予測結果を出力する予測モデルＭＬ－ｉを生成する。予測モデルＭＬ－ｉの学習に用いられるアルゴリズムの一例としては、例えば、ランダムフォレスト、勾配木、ニューラルネットワーク、サポートベクタマシン等が挙げられるが、これらに限られない。ここで、データセットＤＳの初期状態における特徴量の個数ＮをＮ０と記載し、後述するようにｋ回目の特徴量削減処理が行われた後の特徴量の個数ＮをＮｋと記載する。この場合、Ｎｋ個（ｋ＝０、１、…）の特徴量を入力とする予測モデルＭＬ－ｉは「検証対象の予測モデル」の一例であり、Ｎ（ｋ＋１）個の特徴量を入力とする予測モデルＭＬ－ｉは「新たな予測モデル」の一例である。また、予測モデル生成部１３は、特徴量削減処理がｎ回目で終了したとすると、Ｎｎ個の特徴量を入力とする最終的な予測モデルＭＬを生成する。最終的な予測モデルＭＬも「新たな予測モデル」の一例である。なお、Ｎｋを特に区別しない場合には、単にＮと記載する。

【0029】

データ生成部１４は、データセットＤＳをＭ個のデータセットＤＳ－ｉに分割する。また、データ生成部１４は、データセットトＤＳに含まれる各データ片から、選択した特徴量以外の特徴量を削除する特徴量削減処理を行ってデータセットＤＳを更新する。判定部１５は、特徴量選択部１２による選択結果が終了条件を満たすか否かを判定する。選択結果出力部１６は、特徴量選択部１２による選択結果を出力装置（図示せず）等に出力する。

【0030】

（予測モデル生成方法Ｓ１０の流れ）
以上のように構成された予測モデル生成装置１０は、本例示的実施形態に係る予測モデル生成方法Ｓ１０を実行する。予測モデル生成方法Ｓ１０の流れについて、図４～図５を参照して説明する。図４は、予測モデル生成方法Ｓ１０の流れを示すフロー図である。図５は、予測モデル生成方法Ｓ１０の各ステップを説明する模式図である。図４に示すように、予測モデル生成方法Ｓ１０は、ステップＳ１０１～Ｓ１１３を含む。

【0031】

ステップＳ１０１において、データ生成部１４は、データセットＤＳをＭ個に分割してそれぞれをデータセットＤＳ－１、ＤＳ－２、…ＤＳ－Ｍとする。また、特徴量削減処理を行った回数ｋをゼロに設定する。

【0032】

図５に示すように、データセットＤＳ－１は、ｍ個のデータ片ｘ－１－１、ｘ－１－２、…ｘ－１－ｍと、各データ片に関連付けられた予測ラベルｙ－１－１、ｙ－１－２、…ｙ－１－ｍと、を含んでいる（ｍは２以上の整数）。各データ片は、それぞれＮｋ個の特徴量ｆｅａｔｕｒｅ－ｊ（ｊ＝１、２、…Ｎｋ）を含む。図５には、データセットＤＳ－１のみ詳細を図示しているが、その他のデータセットＤＳ－ｉについてもデータセットＤＳ－１と同様に説明される。つまり、データセットＤＳ－ｉは、Ｎｋ個の特徴量ｆｅａｔｕｒｅ－ｊを含むｍ個のデータ片ｘ－ｉ－１、ｘ－ｉ－２、…ｘ－ｉ－ｍと、各データ片に関連付けられた予測ラベルｙ－ｉ－１、ｙ－ｉ－２、…ｙ－ｉ－ｍと、を含んでいる。なお、ここでは、各データセットＤＳ－ｉに含まれるデータ片の個数が等しい（ｍ個ずつである）例を示している。ただし、少なくとも２つのデータセットＤＳ－ｉ１、ＤＳ－ｉ２（ｉ１、ｉ２＝１、２、…Ｍ、ｉ１≠ｉ２）に含まれるデータ片の個数が互いに異なっていてもよい。

【0033】

次に、制御部１１０は、分割したＭ個のデータセットＤＳ－ｉのそれぞれについて、図４のステップＳ１０２～Ｓ１０５を繰り返す。ステップＳ１０２において、予測モデル生成部１３は、データセットＤＳ－ｉ以外を用いて予測モデルＭＬ－ｉを学習させる。ここで、例えば、ｉ＝１のとき、「データセットＤＳ－１以外」とは、データセットＤＳ－２、ＤＳ－３、…ＤＳ－Ｍのデータセットである。また、ｉ＝２のとき、「データセットＤＳ－２以外」とは、データセットＤＳ－１、ＤＳ－３、…ＤＳ－Ｍのデータセットである。データセットＤＳにはＮｋ個の特徴量ｆｅａｔｕｒｅ－ｊが含まれているので、本ステップで生成される予測モデルＭＬ－ｉは、Ｎｋ個の特徴量ｆｅａｔｕｒｅ－ｊを入力として予測結果を出力するモデルである。

【0034】

ステップＳ１０３において、寄与度算出部１１は、データセットＤＳ－ｉを用いて、予測モデルＭＬ－ｉの評価値を評価関数Ｆにより算出する。詳細には、寄与度算出部１１は、データセットＤＳ－ｉに含まれるｍ個のデータ片を予測モデルＭＬ－ｉに入力して得られるｍ個の予測結果に基づいて、評価関数Ｆにより評価値ｆ１を算出する。

【0035】

次に、制御部１１０は、Ｎｋ個の特徴量ｆｅａｔｕｒｅ－ｊのそれぞれについて、ステップＳ１０４～Ｓ１０５を繰り返す。ステップＳ１０４において、寄与度算出部１１は、データセットＤＳ－ｉにおいて、各データ片に含まれるｆｅａｔｕｒｅ－ｊの値を変更する。例えば、寄与度算出部１１は、データセットＤＳ－ｉに含まれるｍ個のデータ片の間で特徴量ｆｅａｔｕｒｅ－ｊの値をランダムに入れ替えることにより、当該特徴量ｆｅａｔｕｒｅ－ｊの値を変更してもよい。例えば、ｉ＝１、ｊ＝１の場合、図５に破線の矩形で示すように、寄与度算出部１１は、データセットＤＳ－１において特徴量ｆｅａｔｕｒｅ－１の値を互いに入れ替える。ただし、特徴量ｆｅａｔｕｒｅ－ｊの値を変更する手法は、ランダムな入れ替えに限らず、その他の任意の手法であってもよい。

【0036】

続いて、寄与度算出部１１は、特徴量ｆｅａｔｕｒｅ－ｊの値を変更したデータセットＤＳ－ｉを用いて、予測モデルＭＬ－ｉの評価値ｆ２を評価関数Ｆにより算出する。評価値ｆ２の算出の詳細については、ステップＳ１０３における評価値ｆ１の算出の詳細について上述した通りである。

【0037】

ステップＳ１０５において、寄与度算出部１１は、特徴量ｆｅａｔｕｒｅ－ｊの寄与度ｉｍｐｏｒｔａｎｃｅ－ｊ（ＤＳ－ｉ）を、評価値ｆ１およびｆ２の差に基づいて算出する。評価値ｆ１は、当該特徴量ｆｅａｔｕｒｅ－ｊの値を変更しない場合の予測モデルＭＬ－ｉの評価値であり、ステップＳ１０３において算出された値である。評価値ｆ２は、当該特徴量ｆｅａｔｕｒｅ－ｊの値を変更した場合の予測モデルＭＬ－ｉの評価値であり、ステップＳ１０４において算出された値である。例えば、寄与度算出部１１は、評価値ｆ１およびｆ２の差をそのまま寄与度としてもよいし、評価値の差を正規化した値を寄与度としてもよい。図５に示す寄与度ｉｍｐｏｒｔａｎｃｅ－１（ＤＳ－１）は、ｆｅａｔｕｒｅ－１を入れ替えたデータセットＤＳ－１を用いて算出された評価値ｆ２と、入れ替え前のデータセットＤＳ－１を用いて算出された評価値ｆ１と、の差から求めた寄与度を示す。

【0038】

該当するデータセットＤＳ－ｉを用いてステップＳ１０４～Ｓ１０５の処理をＮｋ個の特徴量ｆｅａｔｕｒｅ－ｊの全てについて終了すると、Ｎ個のｉｍｐｏｒｔａｎｃｅ－１（ＤＳ－ｉ）、ｉｍｐｏｒｔａｎｃｅ－２（ＤＳ－ｉ）、…ｉｍｐｏｒｔａｎｃｅ－Ｎｋ（ＤＳ－ｉ）が算出される。制御部１１０は、次のデータセットＤＳ－ｉを用いてステップＳ１０２～Ｓ１０５の処理を繰り返す。ステップＳ１０２～Ｓ１０５の処理をＭ個のデータセットＤＳ－ｉの全てについて終了すると、図５に示すように、特徴量ｆｅａｔｕｒｅ－１について、Ｍ個の寄与度ｉｍｐｏｒｔａｎｃｅ－１（ＤＳ－１）、ｉｍｐｏｒｔａｎｃｅ－１（ＤＳ－２）、…ｉｍｐｏｒｔａｎｃｅ－１（ＤＳ－Ｍ）が算出される。同様に、他の特徴量ｆｅａｔｕｒｅ－ｊについても、Ｍ個の寄与度が算出される。

【0039】

次に、制御部１１０は、Ｎｋ個の特徴量ｆｅａｔｕｒｅ－ｊについて、図４のステップＳ１０６～Ｓ１０８を繰り返す。ステップＳ１０６において、特徴量選択部１２は、該当する特徴量ｆｅａｔｕｒｅ－ｊについて、Ｍ個の寄与度から平均値μｊおよび標準偏差σｊを算出する。例えば、図５に示すように、特徴量ｆｅａｔｕｒｅ－１について、平均値μ１および標準偏差σ１が算出される。

【0040】

図４のステップＳ１０７において、特徴量選択部１２は、平均値μｊから標準偏差σｊを引いた値が閾値ｔｈ以上であるか否かを判定する。ステップＳ１０７においてＹｅｓと判定された場合、ステップＳ１０８が実行される。ステップＳ１０８において、特徴量選択部１２は、当該特徴量ｆｅａｔｕｒｅ－ｊを選択する。図５では、選択した当該特徴量ｆｅａｔｕｒｅ－ｊを、特徴量ｆｅａｔｕｒｅ－ｊ１と記載している。例えば、特徴量選択部１２は、当該特徴量ｆｅａｔｕｒｅ－ｊ１を示す情報を、選択結果として記憶部１２０に記憶する。そして、特徴量選択部１２は、次の特徴量ｆｅａｔｕｒｅ－ｊについてステップＳ１０６からの処理を繰り返す。ステップＳ１０７においてＮｏと判定された場合、ステップＳ１０８は実行されずに、次の特徴量ｆｅａｔｕｒｅ－ｊについてステップＳ１０６からの処理が繰り返される。すなわち、この場合、当該特徴量ｆｅａｔｕｒｅ－ｊは選択されない。図５では、選択されなかった当該特徴量ｆｅａｔｕｒｅ－ｊを、特徴量ｆｅａｔｕｒｅ－ｊ２と記載している。

【0041】

図４のステップＳ１０６～Ｓ１０８の繰り返し処理をＮｋ個の特徴量ｆｅａｔｕｒｅ－ｊの全てについて終了すると、記憶部１２０には、選択結果が記憶されている。選択結果は、選択された１または複数の特徴量ｆｅａｔｕｒｅ－ｊ１を示す情報を含む場合もあるが、１つも含まない場合もある。

【0042】

ステップＳ１０９において、判定部１５は、選択結果が終了条件を満たすか否かを判定する。終了条件は、例えば、選択結果に特徴量ｆｅａｔｕｒｅ－ｊ１が１つも含まれないとの条件を含む。また、終了条件は、例えば、選択結果に含まれる特徴量ｆｅａｔｕｒｅ－ｊ１がＮｋ個である（換言すると、選択されなかった特徴量ｆｅａｔｕｒｅ－ｊ２が１つもない）、との条件を含む。

【0043】

ステップＳ１０９においてＹｅｓと判定された場合については後述する。ステップＳ１０９においてＮｏと判定された場合、ステップＳ１１０が実行される。ステップＳ１１０において、データ生成部１４は、データセットＤＳにおいて、選択した特徴量ｆｅａｔｕｒｅ－ｊ１以外を削除する。例えば、図５に示すように、データ生成部１４は、データセットＤＳ－１、ＤＳ－２、…ＤＳ－Ｍのそれぞれにおいて、選択されなかった特徴量ｆｅａｔｕｒｅ－ｊ２を削除する。これにより、データセットＤＳ－１、ＤＳ－２、…ＤＳ－Ｍは、選択された特徴量ｆｅａｔｕｒｅ－ｊ１のみを含むように更新される。

【0044】

ステップＳ１１１において、制御部１１０は、特徴量削減処理を行った回数ｋに１を加算する。つまり、上述したステップＳ１０２～Ｓ１０８が実行されることにより、特徴量削減処理が１回実行されたことになる。そして、制御部１１０は、特徴量の個数Ｎｋとして、選択した特徴量ｆｅａｔｕｒｅ－ｊ１の個数を設定し、ステップＳ１０２からの処理を繰り返す。ここで、次のステップＳ１０２では、（ｋ－１）回目の特徴量削減処理が行われた後のＮｋ個の特徴量を入力とする予測モデルＭＬ－ｉが生成される。当該予測モデルＭＬ－ｉは、「新たな予測モデル」の一例である。また、続いてステップＳ１０３以降が実行されることにより、当該新たな予測モデルＭＬ－ｉを検証対象として、寄与度算出部１１、特徴量選択部１２、および予測モデル生成部１３が再度機能する。

【0045】

ステップＳ１０９においてＹｅｓと判定された場合、ステップＳ１１２が実行される。ステップＳ１１２において、予測モデル生成部１３は、最終的な予測モデルＭＬを生成する。例えば、予測モデル生成部１３は、直近のステップＳ１０２で生成された予測モデルＭＬ－１～ＭＬ－Ｍのうち最も評価値ｆ１が高い予測モデルＭＬ－ｉを、最終的な予測モデルＭＬとしてもよい。

【0046】

また、予測モデル生成部１３は、直近のステップＳ１０２で生成された予測モデルＭＬ－１～ＭＬ－Ｍの一部または全部を用いて得られる複数の出力に基づいて１つの予測結果を出力する構成を、最終的な予測モデルＭＬとしてもよい。換言すると、予測モデル生成部１３は、予測モデルＭＬ－１～ＭＬ－Ｍの一部または全部をアンサンブルしたものを、最終的な予測モデルＭＬとしてもよい。例えば、予測モデルＭＬ－１～ＭＬ－Ｍが回帰モデルであれば、最終的な予測モデルＭＬは、予測モデルＭＬ－１～ＭＬ－Ｍそれぞれの出力の平均を出力するモデルであってもよい。また、予測モデルＭＬ－１～ＭＬ－Ｍが分類モデルであれば、最終的な予測モデルＭＬは、予測モデルＭＬ－１～ＭＬ－Ｍそれぞれの出力である予測確率の平均に基づいて分類結果を出力するモデルであってもよい。

【0047】

また、予測モデル生成部１３は、データセットＤＳとは異なる他のデータセットであって、選択された特徴量ｆｅａｔｕｒｅ－ｊ１のみを含む他のデータセットを用いて、新たに最終的な予測モデルＭＬを生成してもよい。

【0048】

ステップＳ１１３において、選択結果出力部１６は、選択結果を出力装置（図示せず）に出力する。例えば、選択結果出力部１６は、最終的に選択した特徴量ｆｅａｔｕｒｅ－ｊ１を示す情報を出力してもよい。また、例えば、選択結果出力部１６は、選択しなかったすべての特徴量ｆｅａｔｕｒｅ－ｊ２を示す情報を出力してもよい。なお、出力する「特徴量を示す情報」としては、例えば、特徴量の名称が挙げられるが、これに限られない。

【0049】

（本例示的実施形態の効果）
本例示的実施形態では、選択された特徴量の個数が複数であるとき、選択された特徴量以外を削除したデータセットＤＳを用いて生成した新たな予測モデルを検証対象として、寄与度算出部１１、特徴量選択部１２、および予測モデル生成部１３が再度機能する、との構成が採用されている。上記構成によれば、予測結果へ寄与している可能性がより確実な特徴量を絞り込むことができる。

【0050】

また、本例示的実施形態では、各特徴量の寄与度として、検証に用いるデータセットＤＳ－ｉにおいて当該特徴量の値を変更した場合の検証対象の予測モデルの評価値ｆ２と、変更しない場合の評価値ｆ１と、の差に基づいて算出する、との構成が採用されている。上記構成によれば、当該特徴量を変更することの影響に応じて精度よく寄与度を算出することができる。

【0051】

また、本例示的実施形態では、検証に用いるデータセットＤＳ－ｉに含まれる複数のデータ片の間で当該特徴量の値をランダムに入れ替えることにより、当該特徴量の値を変更する、との構成が採用されている。上記構成によれば、寄与度を算出するための特徴量の変更処理を容易に実現することができる。

【0052】

また、本例示的実施形態では、各特徴量について、複数のデータセットＤＳ－ｉを用いて複数の寄与度を算出し、複数の寄与度から得られる統計量が所定条件を満たす特徴量を選択する、との構成が採用されている。上記構成によれば、複数の寄与度に基づきより精度よく特徴量を選択することができる。

【0053】

また、本例示的実施形態では、所定条件として、複数の寄与度の平均値から標準偏差を引いた値が閾値以上であることを適用する、との構成が採用されている。上記構成によれば、平均値を閾値と比較する場合等と比較して、実際には予測結果にあまり寄与していない特徴量を削除できていない可能性を低減できる。また、平均値から標準偏差の２倍を引いた値を閾値と比較する場合と比較して、実際には予測結果に寄与している特徴量を削除してしまう可能性を低減できる。すなわち、予測結果に寄与している特徴量を精度よく絞り込むことができる。

【0054】

（本例示的実施形態の変形例）
上述した例示的実施形態２では、データセットＤＳを用いて交差検証を行うものとして説明した。これに限らず、予測モデル生成装置１０は、データセットＤＳとは異なる学習用のデータセットを用いて学習された予測モデルＭＬに対して、データセットＤＳ１～ＤＳ－Ｍを用いて複数の寄与度を算出してもよい。この場合、データ生成部１４は、当該学習用のデータセットおよびデータセットＤＳにおいて特徴量削減処理を行った上で、次の繰り返し処理を行ってもよい。

【0055】

また、上述した例示的実施形態２では、統計量として、平均値から標準偏差を引いた値を用いるものとして説明したが、統計量はこれに限らず、その他の統計量であってもよい。また、所定条件として、平均値から標準偏差を引いた値が閾値ｔｈを超えるとの条件を用いるものとして説明したが、所定条件はこれに限らず、例えば、統計量の大きいものから順に所定順位までとの条件であってもよいし、その他の条件であってもよい。

【0056】

〔例示的実施形態３〕
本発明の第３の例示的実施形態に係る予測装置２０について、図面を参照して詳細に説明する。予測装置２０は、予測モデル生成装置１、１０によって生成された予測モデルＭＬを用いて予測を行う装置である。ここで、前述した特許文献１に記載されたシステムでは、予測フェーズにおいて、予測モデルに入力するための多数の特徴量を計算する負荷がかかる、という課題がある。本例示的実施形態に係る予測装置２０は、上述した予測モデルＭＬを用いることにより、このような課題を解決し、予測フェーズにおいて特徴量の計算負荷を軽減することができる。なお、例示的実施形態１～２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。

【0057】

（予測装置２０の構成）
予測装置２０の構成について、図６を参照して説明する。図６は、予測装置２０の構成を示すブロック図である。図６に示すように、予測装置２０は、センサ９１および出力装置９２と通信可能に接続される。センサ９１は、予測対象からセンサ情報を取得する。出力装置９２は、予測装置２０から出力された情報を出力する。予測装置２０は、例えば、センサ９１からリアルタイムに入力されるセンサ情報に基づいて、予測対象に関する予測結果をリアルタイムに出力装置９２に出力する。

【0058】

図６に示すように、予測装置２０は、制御部２１０と、記憶部２２０と、を含む。制御部２１０は、予測装置２０の各部を統括して制御する。また、制御部２１０は、特徴量算出部２１と、予測部２２と、を含む。記憶部２２０は、制御部２１０が使用する各種のデータを記憶する。例えば、記憶部２２０は、予測モデルＭＬを記憶する。予測モデルＭＬは、例示的実施形態１に係る予測モデル生成装置１、または、例示的実施形態２に係る予測モデル生成装置１０によって生成された予測モデルである。

【0059】

特徴量算出部２１は、予測対象から得られる情報に基づいて、選択された特徴量を算出する。予測対象から得られる情報とは、一例として、センサ９１から得られるセンサ情報である。予測部２２は、算出された特徴量を予測モデルＭＬに入力することにより、予測対象に関する予測結果を出力する。

【0060】

（プログラムによる実現例）
予測装置２０をコンピュータにより構成する場合、コンピュータのメモリには、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、予測モデル生成装置１、１０により生成された予測モデルＭＬを用いて機能させるプログラムであって、予測対象から得られる情報に基づいて、選択された特徴量を算出する特徴量算出部２１と、算出された特徴量を当該予測モデルＭＬに入力することにより、予測対象に関する予測結果を出力する予測部２２と、として機能させる。

【0061】

（予測方法Ｓ２０の流れ）
以上のように構成された予測装置２０は、本例示的実施形態に係る予測方法Ｓ２０を実行する。予測方法Ｓ２０の流れについて、図７を参照して説明する。図７は、予測方法Ｓ２０の流れを示すフロー図である。図７に示すように、予測方法Ｓ２０は、ステップＳ２０１～Ｓ２０３を含む。

【0062】

ステップＳ２０１において、特徴量算出部２１は、予測対象から得られる情報に基づいて、選択された特徴量を算出する。予測対象から得られる情報としては、センサ９１から入力されるセンサ情報が参照される。選択された特徴量とは、予測モデルＭＬに入力するための特徴量であって、例示的実施形態１に係る予測モデル生成装置１または例示的実施形態２に係る予測モデル生成装置１０によって選択された特徴量である。

【0063】

ステップＳ２０２において、予測部２２は、算出された特徴量を予測モデルＭＬに入力することにより、予測モデルＭＬから出力される予測結果を得る。ステップＳ２０３において、予測部２２は、当該予測結果を出力装置９２に出力する。例えば、予測部２２は、予測結果を、ディスプレイ（出力装置９２の一例）に表示してもよい。なお、出力装置９２は、ディスプレイに限らず、スピーカ、プリンタ、ＬＥＤ（light emitting diode）ランプ等であってもよい。

【0064】

（本例示的実施形態の効果）
本例示的実施形態では、予測対象から得られるセンサ情報に基づいて、予測モデル生成装置１、１０において選択された特徴量を算出し、算出された特徴量を、予測モデル生成装置１、１０が生成した予測モデルＭＬに入力することにより、予測対象に関する予測結果を出力する、との構成が採用されている。上記構成によれば、センサ情報から算出すべき特徴量が絞り込まれているので、特徴量を計算する負荷を軽減することができる。また、予測モデルＭＬが予測結果を計算する負荷も軽減される。したがって、センサ情報を取得してから特徴量を予測モデルＭＬに入力するまでの時間を短縮することができるとともに、最終的に予測モデルＭＬから予測結果を出力するまでの時間を短縮することができる。その結果、予測対象に関して予測結果が得られるリアルタイム性が向上する。

【0065】

〔例示的実施形態２および３の適用例〕
例示的実施形態２に係る予測モデル生成装置１０および例示的実施形態３に係る予測装置２０を用いて、患者（予測対象）について不穏状態（予測したい事象）を予測する適応例について説明する。まず、予測モデル生成装置１０は、データセットＤＳを用いて、患者の不穏状態を予測する最終的な予測モデルＭＬを生成する。データセットＤＳとしては、患者の心拍および加速度に係る多数の特徴量と、不穏状態であるか否かを示す不穏ラベル（予測ラベルの一例）と、を関連付けた複数のデータ片を含むデータセットが作成されている。心拍および加速度に係る特徴量は、患者に装着された心拍センサおよび加速度センサが計測したセンサ情報から算出されたものである。本適用例では、患者の不穏状態については要因がよくわかっていないため、要因となり得る特徴量として５００程度の特徴量を用いている。また、評価関数Ｆとして負のｌｏｇ ｌｏｓｓを適用している。また、閾値ｔｈとしてゼロを適用している。

【0066】

予測モデル生成装置１０が、このようなデータセットＤＳを用いて予測モデル生成方法Ｓ１０を実行することにより、最終的に選択された特徴量の個数は、１５個程度となった。例えば、当初のデータセットＤＳに含まれていた特徴量の１つである「心拍間隔の１６ｗｉｎｄｏｗ平均」は、ステップＳ１０７でＮｏと判断され、選択されなかった。つまり、当該特徴量は、患者の不穏状態を予測するための寄与度が低いと判定されて削減された。これにより、ステップＳ１１２において、最終的に選択された１５程度の特徴量を入力として不穏状態の予測結果を出力する予測モデルＭＬが生成された。このような予測モデルＭＬは、入力される１５程度の特徴量が不穏状態に寄与すると解釈できるので、解釈性に優れている。

【0067】

予測装置２０は、当該予測モデルＭＬを用いて患者の不穏を予測する。センサ９１（心拍センサおよび加速度センサ）は、予測対象である患者に装着される。出力装置９２は、例えばディスプレイである。予測装置２０は、患者に装着したセンサ９１からセンサ情報が入力されると、センサ情報から１５程度の特徴量を算出し、算出した特徴量を予測モデルＭＬに入力して得られる不穏状態の予測結果を出力する。本適用例は、センサ情報が入力されてから不穏状態の予測結果を出力するまでの時間を、特徴量を削減していない場合（５００程度の特徴量を算出する場合）と比べて大幅に短縮することができる。

【0068】

〔ソフトウェアによる実現例〕
予測モデル生成装置１、１０、および予測装置２０（以下、各装置と記載）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。

【0069】

後者の場合、各装置は、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図８に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを各装置として動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、各装置の各機能が実現される。

【0070】

プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、ＴＰＵ（Tensor Processing Unit）、量子プロセッサ、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。

【0071】

なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。

【0072】

また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。

【0073】

〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。

【0074】

〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。

【0075】

（付記１）
検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、
を含む、予測モデル生成装置。

【0076】

（付記２）
前記選択された特徴量の個数が複数であるとき、前記新たな予測モデルを検証対象として、前記寄与度算出手段、前記特徴量選択手段、および前記予測モデル生成手段が再度機能する、
付記１に記載の予測モデル生成装置。

【0077】

（付記３）
前記寄与度算出手段は、各特徴量の寄与度を、前記検証データセットにおいて当該特徴量の値を変更した場合の前記検証対象の予測モデルの評価値と、変更しない場合の前記評価値と、の差に基づいて算出する、
付記１または２に記載の予測モデル生成装置。

【0078】

（付記４）
前記寄与度算出手段は、前記検証データセットに含まれる複数のデータ片の間で当該特徴量の値をランダムに入れ替えることにより、当該特徴量の値を変更する、
付記３に記載の予測モデル生成装置。

【0079】

（付記５）
前記寄与度算出手段は、各特徴量について、複数の前記検証データセットを用いて複数の前記寄与度を算出し、
前記特徴量選択手段は、複数の前記寄与度から得られる統計量が所定条件を満たす特徴量を選択する、
付記１から３のいずれか１つに記載の予測モデル生成装置
（付記６）
前記特徴量選択手段は、前記所定条件として、複数の前記寄与度の平均値から標準偏差を引いた値が閾値以上であることを適用する、
付記５に記載の予測モデル生成装置。

【0080】

（付記７）
付記１から６のいずれか１つに記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いる予測装置であって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、
を含む予測装置。

【0081】

（付記８）
コンピュータが、
検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出することと、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択することと、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成することと、
を含む、予測モデル生成方法。

【0082】

（付記９）
コンピュータが、
付記１または２に記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いて行う予測方法であって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出することと、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力することと、
を含む、予測方法。

【0083】

（付記１０）
コンピュータを、
検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出手段と、
各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択手段と、
前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成手段と、
として機能させる、プログラム。

【0084】

（付記１１）
コンピュータを、
付記１または２に記載の予測モデル生成装置によって生成された前記新たな予測モデルを用いて機能させるプログラムであって、
予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出手段と、
前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測手段と、
として機能させる、プログラム。

【0085】

（付記１２）
少なくとも１つのプロセッサを備え、前記プロセッサは、検証対象の予測モデルの学習に用いた学習データセットとは異なる検証データセットを用いて、前記検証対象の予測モデルに入力される複数の特徴量の各々について予測結果への寄与度を算出する寄与度算出処理と、各特徴量の寄与度に基づいて、前記複数の特徴量のうち一部を選択する特徴量選択処理と、前記選択された特徴量を入力として前記予測結果を出力する新たな予測モデルを生成する予測モデル生成処理と、を実行する予測モデル生成装置。

【0086】

なお、この予測モデル生成装置は、更にメモリを備えていてもよく、このメモリには、前記寄与度算出処理と、前記特徴量選択処理と、前記予測モデル生成処理と、を前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。

【0087】

（付記１３）
少なくとも１つのプロセッサを備え、前記プロセッサは、上述の予測モデル生成装置によって生成された前記新たな予測モデルを用いる予測装置であって、予測対象から得られる情報に基づいて、前記選択された特徴量を算出する特徴量算出処理と、前記算出された特徴量を前記新たな予測モデルに入力することにより、前記予測対象に関する予測結果を出力する予測処理と、を実行する予測装置。

【0088】

なお、この予測装置は、更にメモリを備えていてもよく、このメモリには、前記特徴量算出処理と、前記予測処理と、を前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。

【符号の説明】

【0089】

１、１０ 予測モデル生成装置
１１ 寄与度算出部
１２ 特徴量選択部
１３ 予測モデル生成部
１４ データ生成部
１５ 判定部
１６ 選択結果出力部
２０ 予測装置
２１ 特徴量算出部
２２ 予測部
９１ センサ
９２ 出力装置
１１０、２１０ 制御部
１２０、２２０ 記憶部
Ｃ１ プロセッサ
Ｃ２ メモリ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】