JP2013152656A - 説明変数の決定のための情報処理装置、情報処理方法及びプログラム - Google Patents

Abstract

【課題】予測モデルに追加すべき説明変数を見つける際に行う計算の量を削減する。
【解決手段】本情報処理装置は、複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出する第１算出部と、算出された誤差に基づき、複数の目的変数を複数のグループに分類する分類部と、複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出する第２算出部と、複数のグループの各々について、代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と代表値との差に基づき、当該グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する決定部とを有する。
【選択図】図１

Description

本技術は、予測モデルの構築技術に関する。

時間の経過に従って変化する目的変数の値（例えば株価）を説明変数の値（例えば過去の株価）を利用して予測するための予測モデルを構築する技術がある。

精度が高い予測モデルを構築するためには、予測モデルに説明変数を追加し、より多くの説明変数の値を利用して目的変数の値を予測することが有効であることが知られている。例えば、Ａ運輸の株価について予測モデルを構築する場合、Ａ運輸の過去の株価だけでなくガソリンの過去の価格を利用すると、予測モデルの精度が向上することがある。

但し、予測モデルに非常に多くの説明変数を追加して精度を高めようとすると、予測モデルの構築に利用する時系列データ（以下、学習データと呼ぶ）に特化した予測モデルになってしまう。そのため、その予測モデルの精度の検証を他の時系列データを用いて行うと、かえって精度が低下していることがある。このような状態は、機械学習の分野では「オーバーフィッティング」と呼ばれている。

予測モデルの精度が最も高くなるような説明変数を選定することは非常に難しい。単純には、説明変数のあらゆる組合せについて予測モデルを構築し、検証を行い、最も精度が高い予測モデルを採用することが考えられる。但し、説明変数の数が多くなると組合せ爆発によって計算量が膨大になるため、現実的ではない。

そこで、従来では、有用性が最も高い説明変数を予測モデルに１つ追加する処理及び説明変数を新たに追加することによって不要になった説明変数を除去する処理を繰り返す技術（ステップワイズ変数選択法）が利用されている。説明変数の有用性を表す指標には、例えば、重回帰モデルとしての有意性のためのＦ値（F value）、ＡＩＣ（Akaike's Information Criterion）及びＢＩＣ（Bayesian Information Criterion）といったものがある。近年では、ＡＩＣ及びＢＩＣといった指標が利用されることが多い。両者は、誤差を二乗した値の総和が最も小さくなるような説明変数を採用するものである。

しかし、上記の技術にも問題がある。この技術では、総合の計算量はおおよそ（１の説明変数について有用さを表す指標を算出するのに要する計算量）×（目的変数の数）×（説明変数の候補の数）となる。そのため、目的変数の数及び説明変数の数が多くなると、計算量が非常に多くなるという問題がある。

Paul A. Murtaugh (2009). Performance of several variable-selection methods applied to real ecological data. Ecology Letters, 12:1061-1068.

従って、本技術の目的は、一側面では、予測モデルに追加すべき説明変数を見つける際に行う計算の量を削減するための技術を提供することである。

本技術の一態様に係る情報処理装置は、（Ａ）記憶装置と、（Ｂ）複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納する第１算出部と、（Ｃ）記憶装置に格納されている誤差に基づき複数の目的変数を複数のグループに分類し、当該複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、記憶装置に格納する第２算出部と、（Ｄ）複数のグループの各々について、記憶装置に格納されている代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と代表値との差に基づき、当該グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する第１決定部とを有する。

予測モデルに追加すべき説明変数を見つける際に行う計算の量を削減できるようになる。

図１は、本実施の形態に係る情報処理装置の機能ブロック図である。 図２は、グルーピング処理部の機能ブロック図である。 図３は、候補抽出部の機能ブロック図である。 図４は、決定部の機能ブロック図である。 図５は、学習データ格納部に格納されている学習データの一例を示す図である。 図６は、メインの処理フローを示す図である。 図７は、グルーピング処理の概要を説明するための図である。 図８は、グルーピング処理の概要を説明するための図である。 図９は、グルーピング処理の処理フローを示す図である。 図１０は、第１モデル格納部に格納されているデータの一例を示す図である。 図１１は、第１誤差データ格納部に格納されているデータの一例を示す図である。 図１２は、グルーピング結果格納部に格納されているデータの一例を示す図である。 図１３は、第１候補抽出処理の概要を説明するための図である。 図１４は、第１候補抽出処理の処理フローを示す図である。 図１５は、第２モデル格納部に格納されているデータの一例を示す図である。 図１６は、第２誤差データ格納部に格納されているデータの一例を示す図である。 図１７は、第１評価値格納部に格納されているデータの一例を示す図である。 図１８は、第１抽出結果格納部に格納されているデータの一例を示す図である。 図１９は、第２候補抽出処理の概要を説明するための図である。 図２０は、第２候補抽出処理の処理フローを示す図である。 図２１は、第３モデル格納部に格納されているデータの一例を示す図である。 図２２は、第３誤差データ格納部に格納されているデータの一例を示す図である。 図２３は、第２評価値格納部に格納されているデータの一例を示す図である。 図２４は、第２抽出結果格納部に格納されているデータの一例を示す図である。 図２５は、候補格納部に格納されているデータの一例を示す図である。 図２６は、決定処理の概要を説明するための図である。 図２７は、決定処理の処理フローを示す図である。 図２８は、第４モデル格納部に格納されているデータの一例を示す図である。 図２９は、第４誤差データ格納部に格納されているデータの一例を示す図である。 図３０は、第３評価値格納部に格納されているデータの一例を示す図である。 図３１は、決定結果格納部に格納されているデータの一例を示す図である。 図３２は、表示する画面のデータの一例を示す図である。 図３３は、予測モデルに追加する説明変数を銘柄毎に決定する処理の処理フローを示す図である。 図３４は、コンピュータの機能ブロックを示す図である。

図１に、本実施の形態に係る情報処理装置１の機能ブロック図を示す。情報処理装置１は、グルーピング処理部２と、グルーピング結果格納部３と、候補抽出部４と、学習データ格納部５と、候補格納部６と、決定部７と、決定結果格納部８と、出力部９とを含む。

グルーピング処理部２は、学習データ格納部５に格納されているデータを用いてグルーピング処理を行い、処理結果をグルーピング結果格納部３に格納する。候補抽出部４は、グルーピング結果格納部３に格納されているデータ及び学習データ格納部５に格納されているデータを用いて第１及び第２候補抽出処理を行い、処理結果を候補格納部６に格納する。決定部７は、グルーピング結果格納部３、学習データ格納部５及び候補格納部６に格納されているデータを用いて決定処理を行い、処理結果を決定結果格納部８に格納する。出力部９は、グルーピング結果格納部３に格納されているデータ、候補格納部６に格納されているデータ及び決定結果格納部８に格納されているデータを用いて表示する画面のデータを生成し、表示装置等に表示させる。

図２に、グルーピング処理部２の機能ブロック図を示す。グルーピング処理部２は、第１モデル生成部２１と、第１モデル格納部２２と、第１誤差算出部２３と、第１誤差データ格納部２４と、グループ生成部２５とを含む。

第１モデル生成部２１は、学習データ格納部５に格納されているデータを用いて処理を行い、処理結果を第１モデル格納部２２に格納する。第１誤差算出部２３は、学習データ格納部５に格納されているデータ及び第１モデル格納部２２に格納されているデータを用いて処理を行い、処理結果を第１誤差データ格納部２４に格納する。グループ生成部２５は、第１誤差データ格納部２４に格納されているデータを用いて処理を行い、処理結果をグルーピング結果格納部３に格納する。

図３に、候補抽出部４の機能ブロック図を示す。候補抽出部４は、第２モデル生成部４０１と、第２モデル格納部４０２と、第３モデル格納部４０３と、第２誤差算出部４０４と、第２誤差データ格納部４０５と、第３誤差データ格納部４０６と、第１評価値算出部４０７と、第１評価値格納部４０８と、第２評価値格納部４０９と、抽出部４１０と、第１抽出結果格納部４１１と、第２抽出結果格納部４１２と、第１特定部４１３とを含む。

第２モデル生成部４０１は、グルーピング結果格納部３に格納されているデータ及び学習データ格納部５に格納されているデータを用いて処理を行い、処理結果を第２モデル格納部４０２及び第３モデル格納部４０３に格納する。第２誤差算出部４０４は、第２モデル格納部４０２に格納されているデータを用いて処理を行い、処理結果を第２誤差データ格納部４０５に格納する。また、第２誤差算出部４０４は、第３モデル格納部４０３に格納されているデータを用いて処理を行い、処理結果を第３誤差データ格納部４０６に格納する。第１評価値算出部４０７は、第２誤差データ格納部４０５に格納されているデータを用いて処理を行い、処理結果を第１評価値格納部４０８に格納する。また、第１評価値算出部４０７は、第３誤差データ格納部４０６に格納されているデータを用いて処理を行い、処理結果を第２評価値格納部４０９に格納する。抽出部４１０は、第１評価値格納部４０８に格納されているデータを用いて処理を行い、処理結果を第１抽出結果格納部４１１に格納する。また、抽出部４１０は、第２評価値格納部４０９に格納されているデータを用いて処理を行い、処理結果を第２抽出結果格納部４１２に格納する。第１特定部４１３は、第１抽出結果格納部４１１に格納されているデータ及び第２抽出結果格納部４１２に格納されているデータを用いて処理を行い、処理結果を候補格納部６に格納する。

図４に、決定部７の機能ブロック図を示す。決定部７は、第３モデル生成部７１と、第４モデル格納部７２と、第３誤差算出部７３と、第４誤差データ格納部７４と、第２評価値算出部７５と、第３評価値格納部７６と、第２特定部７７とを含む。

第３モデル生成部７１は、学習データ格納部５に格納されているデータ及び候補格納部６に格納されているデータを用いて処理を行い、処理結果を第４モデル格納部７２に格納する。第３誤差算出部７３は、学習データ格納部５に格納されているデータ及び第４モデル格納部７２に格納されているデータを用いて処理を行い、処理結果を第４誤差データ格納部７４に格納する。第２評価値算出部７５は、第４誤差データ格納部７４に格納されているデータを用いて処理を行い、処理結果を第３評価値格納部７６に格納する。第２特定部７７は、第３評価値格納部７６に格納されているデータを用いて処理を行い、処理結果を決定結果格納部８に格納する。

図５に、学習データ格納部５に格納されている学習データの一例を示す。図５の例では、７月２７日から７月３１日までの各日付について、今日の株価と、１日前の株価と、２日前の株価とが格納されている。図５の例は特定の銘柄についての株価のデータセットを示しており、学習データ格納部５には、多数の銘柄についての株価のデータセットが格納されるようになっている。

なお、本実施の形態においては、特定の銘柄についての「今日」の株価をその銘柄の「１日前」の株価及び「２日前」の株価を用いて予測モデルを構築した場合において、予測モデルの精度を向上させるために追加する説明変数を選定することを想定している。

次に、図６乃至図３３を用いて、図１に示した情報処理装置１の動作について説明する。まず、グルーピング処理部２は、グルーピング処理を実施する（図６：ステップＳ１）。グルーピング処理については、図７乃至図１２を用いて説明する。

まず、グルーピング処理の概要について説明する。グルーピング処理においては、処理対象となる複数の銘柄をグループ分けする。グループ分けの基準となるのは、予測モデルによる予測値と実際の値との誤差である。具体的には、図７に示すように、各日付について予測値と実際の値との誤差を算出し、各日付についての誤差を成分とする誤差ベクトルに基づきグループ分けを行う。

グループ分けは、誤差ベクトルが類似する（すなわち、誤差の変動の傾向が類似している）銘柄が同じグループになるように行う。そして、図８に示すように、同じグループに属する銘柄の誤差ベクトルを用いて代表誤差ベクトルを算出する処理をグループ毎に行う。

次に、グルーピング処理の処理フローについて説明する。グルーピング処理部２における第１モデル生成部２１は、学習データ格納部５に学習データが格納されている銘柄のうち未処理の銘柄を１つ特定する（図９：ステップＳ１１）。

第１モデル生成部２１は、ステップＳ１１において特定された銘柄の学習データを用いて予測モデルを構築し、構築された予測モデルのデータと銘柄名とを第１モデル格納部２２に格納する（ステップＳ１３）。ステップＳ１３においては、ステップＳ１１において特定された銘柄の「今日」の株価を「１日前」の株価及び「２日前」の株価を用いて予測するための予測モデル（例えばＡＲ（AutoRegressive）モデル）を構築する。予測モデルを構築する技術は本実施の形態の主要な部分ではないので、詳細な説明を省略する。

図１０に、第１モデル格納部２２に格納されているデータの一例を示す。図１０の例では、銘柄名と、予測モデルのデータとが格納されている。

そして、第１誤差算出部２３は、ステップＳ１３において構築された予測モデルと学習データ格納部５に格納されているデータとを用いて、予測モデルにより算出された値（すなわち予測値）と実際の値との誤差に基づく誤差ベクトルを算出する（ステップＳ１５）。また、第１誤差算出部２３は、銘柄名及び算出結果等を第１誤差データ格納部２４に格納する。

図１１に、第１誤差データ格納部２４に格納されているデータの一例を示す。図１１の例では、銘柄名と、各日付について株価の実際の値、予測値及び誤差とが格納されている。

図９の説明に戻り、第１モデル生成部２１は、未処理の銘柄が有るか判断する（ステップＳ１７）。未処理の銘柄が有る場合（ステップＳ１７：Ｙｅｓルート）、ステップＳ１１の処理に戻る。

一方、未処理の銘柄が無い場合（ステップＳ１７：Ｎｏルート）、グループ生成部２５は、第１誤差データ格納部２４に格納されている誤差ベクトルのデータを用いて銘柄をグループ分けし、グループ分けの結果をメインメモリ等の記憶装置に一旦格納する（ステップＳ１９）。ステップＳ１９においては、例えばＫ平均法を用いてグループ分けを行う。なお、例えばクラスタリング等のグループ分けの技術はよく知られているので、ここでは説明を省略する。

グループ生成部２５は、各グループについて代表誤差ベクトルを算出し、各グループに属する銘柄の名前及び代表誤差ベクトルの各成分の値をグルーピング結果格納部３に格納する（ステップＳ２１）。ステップＳ２１においては、例えば、グループに属する銘柄の誤差ベクトルの平均を求めることにより代表誤差ベクトルを算出する。そして元の処理に戻る。

図１２に、グルーピング結果格納部３に格納されているデータの一例を示す。図１２の例では、グループの識別子と、グループに属する銘柄の名前と、各日付についての代表誤差の値とが格納されている。なお、グループの識別子は、各グループに割り当てられた固有の番号である。

以上のようにして、誤差の変動の傾向が類似している銘柄が同じグループになるようにグループ分けを行う。なお、このようにグループ分けを行うのは、ある銘柄の予測モデルに追加することが有効である説明変数は、同じグループに属する他の銘柄の予測モデルに流用できるという考え方に基づいている。

図６の説明に戻り、候補抽出部４は、第１候補抽出処理を実施する（ステップＳ３）。第１候補抽出処理については、図１３乃至図１８を用いて説明する。

まず、図１３を用いて、第１候補抽出処理の概要について説明する。なお、説明を簡単にするため、代表誤差ベクトルを１次元のベクトルとしている。第１候補抽出処理においては、各グループについて、代表誤差の予測の精度に基づきＮ（Ｎは２以上の自然数）個の説明変数の候補を抽出する。すなわち、代表誤差を予測するための予測モデルによる予測値と代表誤差との差の二乗の総和を求めることにより評価値を算出し、算出した評価値が最も小さい候補から順にＮ個の候補を抽出する。

但し、代表誤差を予測するための予測モデルには、追加する説明変数の候補だけでなく、グループ内の銘柄についてステップＳ１３において生成された予測モデルに含まれる説明変数を利用する。図１３の例では、Ａ運輸とＢ航空が含まれるグループについて、Ａ運輸及びＢ航空という説明変数の学習データと、追加する説明変数の候補（ガソリン又は米）の学習データとを用いて予測モデルを構築している。このようにするのは、予測モデルに複数の説明変数が含まれていると、説明変数の組合せによっては相乗効果により予測モデルの精度が大きく向上することがあることを考慮しているからである。このようにすることで、例えばＡ運輸又はＢ航空という説明変数と一緒に利用されると予測モデルの精度を大きく向上させることができる候補を取りこぼしにくくなる。なお、図１３の例では、ガソリンについて算出した評価値は米について算出した評価値よりも小さくなるので、Ａ運輸及びＢ航空が属するグループに対しては、米よりもガソリンの方が追加する説明変数として好ましいということになる。

次に、第１候補抽出処理の処理フローについて説明する。まず、候補抽出部４における第２モデル生成部４０１は、グルーピング結果格納部３に登録されているグループのうち未処理のグループを１つ特定する（図１４：ステップＳ３１）。

第２モデル生成部４０１は、ステップＳ３１において特定されたグループに属する銘柄について、ステップＳ１３において構築された予測モデルで用いられている説明変数を抽出する（ステップＳ３３）。例えば図１２におけるグループ１について処理する場合には、Ａ運輸及びＢ航空という説明変数が抽出される。

第２モデル生成部４０１は、追加する説明変数の候補のうち未処理の候補を１つ特定する（ステップＳ３５）。また、第２モデル生成部４０１は、抽出された説明変数の学習データと特定された候補の学習データとを用いて、ステップＳ３１において特定されたグループについて算出された代表誤差の値を予測するための予測モデルを構築する（ステップＳ３７）。そして、第２モデル生成部４０１は、グループの識別子、追加する説明変数の候補及び構築された予測モデルのデータを第２モデル格納部４０２に格納する。ステップＳ３７においては、グルーピング結果格納部２に格納されている代表誤差の値を用いて処理を行う。

図１５に、第２モデル格納部４０２に格納されているデータの一例を示す。図１５の例では、グループの識別子と、追加する説明変数の候補と、予測モデルのデータとが格納されている。

そして、第２誤差算出部４０４は、ステップＳ３７において構築された予測モデルにより算出された値と代表誤差の値との誤差に基づく誤差ベクトルを算出し、グループの識別子、追加する説明変数の候補及び誤差ベクトルの各成分の値等を第２誤差データ格納部４０５に格納する（ステップＳ３９）。

図１６に、第２誤差データ格納部４０５に格納されているデータの一例を示す。図１６の例では、グループの識別子と、追加する説明変数の候補と、各日付について代表誤差、予測値及び誤差とが格納されている。

そして、第１評価値算出部４０７は、ステップＳ３９において算出された誤差ベクトルの各成分を二乗してその総和を求めることにより、候補の有用さを表す評価値を算出する（ステップＳ４１）。そして、グループの識別子、追加する説明変数の候補及び評価値を第１評価値格納部４０８に格納する。

図１７に、第１評価値格納部４０８に格納されているデータの一例を示す。図１７の例では、グループの識別子と、追加する説明変数の候補と、評価値とが格納されている。

そして、第２モデル生成部４０１は、未処理の候補が有るか判断する（ステップＳ４３）。未処理の候補が有る場合には（ステップＳ４３：Ｙｅｓルート）、次の候補について処理するため、ステップＳ３５の処理に戻る。

一方、未処理の候補が無い場合には（ステップＳ４３：Ｎｏルート）、抽出部４１０は、ステップＳ３１において特定されたグループについて、評価値が小さい順にＮ個の説明変数の候補を第１評価値格納部４０８から抽出する（ステップＳ４５）。また、抽出部４１０は、グループの識別子及び抽出した説明変数の候補を第１抽出結果格納部４１１に格納する。

図１８に、第１抽出結果格納部４１１に格納されているデータの一例を示す。図１８の例では、グループの識別子と、追加する説明変数の候補とが格納されている。

そして、第２モデル生成部４０１は、未処理のグループが有るか判断する（ステップＳ４７）。未処理のグループが有る場合（ステップＳ４７：Ｙｅｓルート）、次のグループについて処理するため、ステップＳ３１の処理に戻り、未処理のグループが無い場合（ステップＳ４７：Ｎｏルート）、元の処理に戻る。

以上のような処理を実施することで、追加先の予測モデルにおいて用いられている説明変数と一緒に用いられると特に精度を向上させることができる説明変数を特定することができるようになる。

図６の説明に戻り、候補抽出部４は、第２候補抽出処理を実施する（ステップＳ５）。第２候補抽出処理については、図１９乃至図２４を用いて説明する。

まず、図１９を用いて、第２候補抽出処理の概要について説明する。なお、説明を簡単にするため、代表誤差ベクトルを１次元のベクトルとしている。第２候補抽出処理においても、第１候補抽出処理と同様、各グループについて代表誤差の予測の精度に基づきＮ（Ｎは２以上の自然数）個の説明変数の候補を抽出する。すなわち、代表誤差を予測するための予測モデルによる予測値と代表誤差との差の二乗の総和を求めることにより評価値を算出し、算出した評価値が最も小さい候補から順にＮ個の候補を抽出する。

但し、第２候補抽出処理においては、代表誤差を予測するための予測モデルには、追加する説明変数の候補だけを利用する。図１９の例では、Ａ運輸とＢ航空が含まれるグループについて、追加する説明変数の候補（ガソリン又は米）の学習データだけを用いて予測モデルを構築している。このようにするのは、複数の説明変数による相乗効果が無いと仮定した場合において予測モデルの精度の向上に有用な候補を特定するためである。図１９の例では、ガソリンについて算出した評価値は米について算出した評価値よりも小さくなるので、Ａ運輸及びＢ航空が属するグループに対しては、米よりもガソリンの方が追加する説明変数の候補として好ましいということになる。なお、普通は説明変数の数を増やした方が予測モデルの精度が良くなるので、第１候補抽出処理において算出した評価値よりも大きな値が算出されることになる。

次に、第２候補抽出処理の処理フローについて説明する。まず、候補抽出部４における第２モデル生成部４０１は、グルーピング結果格納部３に登録されているグループのうち未処理のグループを１つ特定する（図２０：ステップＳ５１）。

第２モデル生成部４０１は、追加する説明変数の候補のうち未処理の候補を１つ特定する（ステップＳ５３）。また、第２モデル生成部４０１は、特定された候補の学習データを用いて、ステップＳ５１において特定されたグループについて算出された代表誤差の値を予測するための予測モデルを構築する（ステップＳ５５）。そして、第２モデル生成部４０１は、グループの識別子、追加する説明変数の候補及び構築された予測モデルのデータを第３モデル格納部４０３に格納する。ステップＳ５５においては、グルーピング結果格納部３に格納されている代表誤差の値を用いて処理を行う。

図２１に、第３モデル格納部４０３に格納されているデータの一例を示す。図２１の例では、グループの識別子と、追加する説明変数の候補と、予測モデルのデータとが格納されている。

そして、第２誤差算出部４０４は、ステップ５５において構築された予測モデルにより算出された値と代表誤差の値との誤差に基づく誤差ベクトルを算出する（ステップＳ５７）。そして、第２誤差算出部４０４は、グループの識別子、追加する説明変数の候補及び誤差ベクトルの各成分の値等を第３誤差データ格納部４０６に格納する。

図２２に、第３誤差データ格納部４０６に格納されているデータの一例を示す。図２２の例では、グループの識別子と、追加する説明変数の候補と、各日付について代表誤差、予測値及び誤差とが格納されている。

そして、第１評価値算出部４０７は、ステップＳ５７において算出された誤差ベクトルの各成分を二乗してその総和を求めることにより、候補の有用さを表す評価値を算出する（ステップＳ５９）。そして、グループの識別子、追加する説明変数の候補及び評価値を第２評価値格納部４０９に格納する。

図２３に、第２評価値格納部４０９に格納されているデータの一例を示す。図２３の例では、グループの識別子と、追加する説明変数の候補と、評価値とが格納されている。

そして、第２モデル生成部４０１は、未処理の候補が有るか判断する（ステップＳ６１）。未処理の候補が有る場合には（ステップＳ６１：Ｙｅｓルート）、次の候補について処理するため、ステップＳ５３の処理に戻る。

一方、未処理の候補が無い場合には（ステップＳ６１：Ｎｏルート）、抽出部４１０は、ステップＳ５１において特定されたグループについて、評価値が小さい順にＮ個の説明変数の候補を第２評価値格納部４０９から抽出する（ステップＳ６３）。また、抽出部４１０は、グループの識別子及び抽出した説明変数の候補を第２抽出結果格納部４１２に格納する。

図２４に、第２抽出結果格納部４１２に格納されているデータの一例を示す。図２４の例では、グループの識別子と、追加する説明変数の候補とが格納されている。

そして、第２モデル生成部４０１は、未処理のグループが有るか判断する（ステップＳ６５）。未処理のグループが有る場合（ステップＳ６５：Ｙｅｓルート）、次のグループについて処理するため、ステップＳ５１の処理に戻り、未処理のグループが無い場合（ステップＳ６５：Ｎｏルート）、元の処理に戻る。

以上のような処理を実施することで、複数の説明変数による相乗効果が無いと仮定した場合において予測モデルの精度の向上に有用な候補を特定することができるようになる。

図６の説明に戻り、候補抽出部４における第１特定部４１３は、第１候補抽出処理及び第２候補抽出処理の結果に基づき最終候補をグループ毎に決定し、グループの識別子及び最終候補を候補格納部６に格納する（ステップＳ７）。具体的には、第１抽出結果格納部４１１に格納されており且つ第２抽出結果格納部４１２に格納されている説明変数の候補を最終候補に決定する。

図２５に、候補格納部６に格納されているデータの一例を示す。図２５の例では、グループの識別子と、追加する説明変数の候補とが格納されている。

そして、決定部７は、決定処理を実施する（ステップＳ９）。決定処理については、図２６乃至図３１を用いて説明する。

まず、図２６を用いて、決定処理の概要について説明する。決定処理においては、各銘柄について、その銘柄が属するグループについての最終候補の各々を実際に予測モデルに追加して評価値を算出し、評価値が表す有用さが高い説明変数を予測モデルに追加する変数に決定する。例えば、グループ１についてはガソリン及び軽油が最終候補となっている場合には、ガソリン及び軽油の各々を実際に予測モデルに追加して評価値を算出し、評価値が最も小さいものを予測モデルに追加する説明変数に決定する。図２６の例では、ガソリンについて算出した評価値は軽油について算出した評価値よりも小さいので、Ａ運輸の予測モデルに追加する説明変数はガソリンに決定する。

次に、決定処理の処理フローについて説明する。まず、決定部７における第３モデル生成部７１は、学習データ格納部５に学習データが格納されている銘柄のうち未処理の銘柄を１つ特定する（図２７：ステップＳ７１）。また、第３モデル生成部７１は、ステップＳ７１において特定された銘柄が属するグループについての最終候補の中から未処理の最終候補を１つ特定する（ステップＳ７３）。ステップＳ７３においては、まずステップＳ７１において特定された銘柄が属するグループをグルーピング結果格納部３から特定し、また特定されたグループに対応する最終候補を候補格納部６から特定し、特定された最終候補の中から未処理の最終候補を特定する。

そして、第３モデル生成部７１は、ステップＳ７１において特定された銘柄の学習データとステップＳ７３において特定された最終候補の学習データとを用いて、特定された銘柄の「今日」の株価を予測するための予測モデルを構築する（ステップＳ７５）。そして、第３モデル生成部７１は、銘柄名、追加する説明変数の候補及び構築された予測モデルのデータを第４モデル格納部７２に格納する。

図２８に、第４モデル格納部７２に格納されているデータの一例を示す。図２８の例では、銘柄名と、追加する説明変数の候補と、予測モデルのデータとが格納されている。

そして、第３誤差算出部７３は、特定された銘柄の株価の実際の値とステップＳ７５において構築された予測モデルにより算出された値との誤差に基づく誤差ベクトルを算出し、銘柄名、追加する説明変数の候補及び誤差ベクトルの各成分の値等を第４誤差データ格納部７４に格納する（ステップＳ７７）。

図２９に、第４誤差データ格納部７４に格納されているデータの一例を示す。図２９の例では、銘柄名と、追加する説明変数の候補と、各日付について株価の実際の値、予測値及び誤差とが格納されている。

そして、第２評価値算出部７５は、ステップＳ７７において算出された誤差ベクトルの各成分を二乗してその総和を求めることにより、候補の有用さを表す評価値を算出し、銘柄名、追加する説明変数の候補及び評価値を第３評価値格納部７６に格納する（ステップＳ７９）。

図３０に、第３評価値格納部７６に格納されているデータの一例を示す。図３０の例では、銘柄名と、追加する説明変数の候補と、評価値とが格納されている。

そして、第３モデル生成部７１は、候補格納部６に未処理の候補が有るか判断する（ステップＳ８１）。未処理の候補が有る場合（ステップＳ８１：Ｙｅｓルート）、次の候補について処理するため、ステップＳ７３の処理に戻る。

一方、未処理の候補が無い場合（ステップＳ８１：Ｎｏルート）、第２特定部７７は、ステップＳ７１において特定された銘柄の予測モデルに追加する説明変数を第３評価値格納部７６に格納されている評価値に基づき決定し、銘柄名に対応付けて追加する説明変数を決定結果格納部８に格納する（ステップＳ８３）。具体的には、評価値が最も小さい説明変数に決定する。

図３１に、決定結果格納部８に格納されているデータの一例を示す。図３１の例では、銘柄名と、予測モデルに追加する説明変数とが格納されている。

そして、第３モデル生成部７１は、未処理の銘柄が有るか判断する（ステップＳ８５）。未処理の銘柄が有る場合（ステップＳ８５：Ｙｅｓルート）、次の銘柄について処理するため、ステップＳ７１の処理に戻る。一方、未処理の銘柄が無い場合（ステップＳ８５：Ｎｏルート）、元の処理に戻る。

以上のような処理を実施することにより、各銘柄について最適な説明変数を特定することができるようになる。

図６の説明に戻り、出力部９は、グルーピング結果格納部３に格納されているデータ、候補格納部６に格納されているデータ及び決定結果格納部８に格納されているデータを用いて決定結果を表示するための画面のデータを生成する。そして、生成した画面のデータを表示装置に表示させる（ステップＳ１０）。そして処理を終了する。

図３２に、表示される画面の一例を示す。図３２の例では、各グループについて、そのグループに属する銘柄の予測モデルに追加する説明変数と、そのグループに属する銘柄の予測モデルに追加する説明変数の候補と、そのグループについて算出した代表誤差ベクトルとが表示されている。

以上のように、予測モデルに追加する説明変数を銘柄毎に決定するのではなく、グループ毎に決定することで、予測モデルに追加する説明変数を決定する際に行う計算の量を減らすことができるようになる。

ここで、予測モデルに追加する説明変数を銘柄毎に決定する場合の処理について、図３３を用いて簡単に説明する。まず情報処理装置１における処理部（図示せず）が未処理の銘柄を１つ特定する（図３３：ステップＳ１０１）。処理部は、追加する説明変数の候補のうち未処理の候補を１つ特定する（ステップＳ１０３）。処理部は、特定された銘柄の学習データと特定された候補の学習データとを用いて予測モデルを構築する（ステップＳ１０５）。処理部は、構築された予測モデルによる予測値と実際の値とを用いて誤差ベクトルを算出する（ステップＳ１０７）。処理部は、誤差ベクトルの各成分の値を二乗してその総和を求めることにより、候補の有用さを表す評価値を算出する（ステップＳ１０９）。そして、未処理の候補が有る場合（ステップＳ１１１：Ｙｅｓルート）はステップＳ１０３の処理に戻り、未処理の候補が無い場合（ステップＳ１１１：Ｎｏルート）は評価値が表す有用さが最も高い説明変数を特定する（ステップＳ１１３）。そして、未処理の銘柄が有る場合（ステップＳ１１５：Ｙｅｓルート）はステップＳ１０１の処理に戻り、未処理の銘柄が無い場合（ステップＳ１１５：Ｎｏルート）は処理を終了する。

背景技術の欄において述べたように、このようにすると、総合の計算量はおおよそ（１の説明変数について評価値を算出するのに要する計算量）×（目的変数の数（すなわち銘柄の数））×（説明変数の候補の数）となる。そのため、目的変数の数及び説明変数の数が多くなると、計算量が非常に多くなるという問題がある。

一方、上で述べたような本実施の形態の処理によれば、総合の計算量はおおよそ（グルーピング処理に要する計算量）＋（１の説明変数について評価値を算出するのに要する計算量）×（グループの数）×（説明変数の候補の数）＋（１の説明変数について評価値を算出するのに要する計算量）×（グループの数）×（グループに含まれる銘柄（目的変数）の数）×（説明変数の最終候補の数）となる。これにより、計算量を削減することができるようになる。

以上本技術の一実施の形態を説明したが、本技術はこれに限定されるものではない。例えば、上で説明した情報処理装置１の機能ブロック構成は必ずしも実際のプログラムモジュール構成に対応するものではない。

また、上で説明した各テーブルの構成は一例であって、必ずしも上記のような構成でなければならないわけではない。さらに、処理フローにおいても、処理結果が変わらなければ処理の順番を入れ替えることも可能である。さらに、並列に実行させるようにしても良い。

なお、時系列データとして株価のデータを使用したが、使用するデータは株価のデータに限られるわけではなく、他の時系列データに対しても本実施の形態を適用することができる。

なお、使用するデータは時系列データ以外のデータであってもよい。すなわち、目的変数及び説明変数に時間が対応付けられていなくてもよい。

また、ステップＳ７においては、第１抽出結果格納部４１１に格納されており且つ第２抽出結果格納部４１２に格納されている説明変数の候補を最終候補としたが、他の方法で最終候補を決定してもよい。例えば、第１候補抽出処理において算出された評価値と第２候補抽出処理において算出された評価値との和が小さいものから順に所定個数の説明変数を最終候補としてもよい。

また、情報処理装置１の処理を複数の台のコンピュータで実行させるようにしてもよい。

なお、上で述べた情報処理装置１は、コンピュータ装置であって、図３４に示すように、メモリ２５０１とＣＰＵ（Central Processing Unit）２５０３とハードディスク・ドライブ（ＨＤＤ：Hard Disk Drive）２５０５と表示装置２５０９に接続される表示制御部２５０７とリムーバブル・ディスク２５１１用のドライブ装置２５１３と入力装置２５１５とネットワークに接続するための通信制御部２５１７とがバス２５１９で接続されている。オペレーティング・システム（ＯＳ：Operating System）及び本実施例における処理を実施するためのアプリケーション・プログラムは、ＨＤＤ２５０５に格納されており、ＣＰＵ２５０３により実行される際にはＨＤＤ２５０５からメモリ２５０１に読み出される。ＣＰＵ２５０３は、アプリケーション・プログラムの処理内容に応じて表示制御部２５０７、通信制御部２５１７、ドライブ装置２５１３を制御して、所定の動作を行わせる。また、処理途中のデータについては、主としてメモリ２５０１に格納されるが、ＨＤＤ２５０５に格納されるようにしてもよい。本技術の実施例では、上で述べた処理を実施するためのアプリケーション・プログラムはコンピュータ読み取り可能なリムーバブル・ディスク２５１１に格納されて頒布され、ドライブ装置２５１３からＨＤＤ２５０５にインストールされる。インターネットなどのネットワーク及び通信制御部２５１７を経由して、ＨＤＤ２５０５にインストールされる場合もある。このようなコンピュータ装置は、上で述べたＣＰＵ２５０３、メモリ２５０１などのハードウエアとＯＳ及びアプリケーション・プログラムなどのプログラムとが有機的に協働することにより、上で述べたような各種機能を実現する。

以上述べた本技術の実施の形態をまとめると、以下のようになる。

本実施の形態に係る情報処理装置は、

（Ａ）記憶装置と、（Ｂ）複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納する第１算出部と、（Ｃ）記憶装置に格納されている誤差に基づき複数の目的変数を複数のグループに分類し、当該複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、記憶装置に格納する第２算出部と、（Ｄ）複数のグループの各々について、記憶装置に格納されている代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と代表値との差に基づき、当該グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する第１決定部とを有する。

このように、第１の予測モデルに追加する説明変数を目的変数毎に決定するのではなく、グループ毎に決定することで、第１の予測モデルに追加する説明変数を決定する際に行う計算の量を削減することができるようになる。

また、上で述べた第１決定部が、（ｄ１）複数の説明変数の候補の各々について、当該候補とグループに属する目的変数の第１の予測モデルに含まれる説明変数とを用いて第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と代表値との第１の差を算出し、記憶装置に格納する第３算出部と、（ｄ２）第３算出部により算出された第１の差に基づき、複数の説明変数の候補の中から、グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する第２決定部とを有するようにしてもよい。複数の説明変数が同じ予測モデルに含まれると、相乗効果により予測精度が大きく向上することがある。そのため、上で述べたようにすれば、第１の予測モデルに含まれる説明変数と一緒に利用すると予測精度が大きく向上する説明変数を取りこぼしにくくなる。

また、上で述べた第３算出部が、（ｄ１１）複数の説明変数の候補の各々について、当該候補を用いて第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と代表値との第２の差を算出し、記憶装置に格納するようにしてもよい。そして、（Ｅ）第３算出部により算出された第１の差及び第２の差に基づき、複数の説明変数の候補の中から、グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する第３決定部をさらに有するようにしてもよい。このようにすれば、第１の予測モデルに含まれる説明変数との相乗効果が無いと仮定した場合に予測精度の向上に有効な説明変数を取りこぼしにくくなる。

また、上で述べた第１決定部が、（ｄ３）第１の予測モデルに追加する説明変数を複数決定するようにしてもよい。そして、上で述べた本情報処理装置が、（Ｆ）複数の目的変数の各々について、当該目的変数の第１の予測モデルに含まれる説明変数と当該目的変数が属するグループについて第１決定部によって決定された複数の説明変数の各々とを用いて、当該目的変数の値を予測するための第３の予測モデルを複数生成し、当該第３の予測モデルによって算出された値の各々と当該目的変数の実際の値との誤差を算出し、記憶装置に格納する第４算出部と、（Ｇ）複数の目的変数の各々について、第４算出部により算出された誤差に基づき、第１決定部によって決定された複数の説明変数の中から、第１の予測モデルに追加する最も適切な説明変数を決定する第４決定部とをさらに有するようにしてもよい。このようにすれば、各目的変数の予測精度の向上に最も有効な説明変数を特定することができるようになる。

また、上で述べた第２算出部が、（ｃ１）複数の目的変数を、算出された誤差に基づくクラスタリングによって複数のグループに分類するようにしてもよい。例えばＫ平均法を利用することで複数の目的変数を適切に分類をすることができるようになる。

また、上で述べた誤差の代表値が、グループに属する目的変数について算出された誤差の平均値であってもよい。これにより妥当な値を代表値とすることができるようになる。なお、平均値には限られず、例えば中央値などとしてもよい。

本実施の形態に係る情報処理方法は、（Ｈ）複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納し、（Ｉ）記憶装置に格納されている誤差に基づき、複数の目的変数を複数のグループに分類し、（Ｊ）複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、記憶装置に格納し、（Ｋ）複数のグループの各々について、記憶装置に格納されている代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と代表値との差に基づき、当該グループに属する目的変数の第１の予測モデルに追加する説明変数を決定する処理を含む。

なお、上記方法による処理をコンピュータに行わせるためのプログラムを作成することができ、当該プログラムは、例えばフレキシブルディスク、ＣＤ−ＲＯＭ、光磁気ディスク、半導体メモリ、ハードディスク等のコンピュータ読み取り可能な記憶媒体又は記憶装置に格納される。尚、中間的な処理結果はメインメモリ等の記憶装置に一時保管される。

以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）
記憶装置と、
複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、前記記憶装置に格納する第１算出部と、
前記記憶装置に格納されている前記誤差に基づき前記複数の目的変数を複数のグループに分類し、当該複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納する第２算出部と、
前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第１決定部と、
を有する情報処理装置。

（付記２）
前記第１決定部が、
複数の説明変数の候補の各々について、当該候補と前記グループに属する目的変数の前記第１の予測モデルに含まれる説明変数とを用いて前記第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と前記代表値との第１の差を算出し、前記記憶装置に格納する第３算出部と、
前記第３算出部により算出された前記第１の差に基づき、前記複数の説明変数の候補の中から、前記グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第２決定部と、
を有する付記１記載の情報処理装置。

（付記３）
前記第３算出部が、
前記複数の説明変数の候補の各々について、当該候補を用いて前記第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と前記代表値との第２の差を算出し、前記記憶装置に格納し、
前記第３算出部により算出された前記第１の差及び前記第２の差に基づき、前記複数の説明変数の候補の中から、前記グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第３決定部
をさらに有する付記２記載の情報処理装置。

（付記４）
前記第１決定部が、
前記第１の予測モデルに追加する説明変数を複数決定し、
前記複数の目的変数の各々について、当該目的変数の前記第１の予測モデルに含まれる説明変数と当該目的変数が属するグループについて前記第１決定部によって決定された複数の説明変数の各々とを用いて、当該目的変数の値を予測するための第３の予測モデルを複数生成し、当該第３の予測モデルによって算出された値の各々と当該目的変数の実際の値との誤差を算出し、前記記憶装置に格納する第４算出部と、
前記複数の目的変数の各々について、前記第４算出部により算出された前記誤差に基づき、前記第１決定部によって決定された複数の説明変数の中から、前記第１の予測モデルに追加する最も適切な説明変数を決定する第４決定部と、
をさらに有する付記１乃至３のいずれか１つ記載の情報処理装置。

（付記５）
前記第２算出部が、
前記複数の目的変数を、算出された前記誤差に基づくクラスタリングによって複数のグループに分類する
付記１乃至４のいずれか１つ記載の情報処理装置。

（付記６）
前記誤差の代表値が、前記グループに属する目的変数について算出された前記誤差の平均値である
付記１乃至５いずれか１つ記載の情報処理装置。

（付記７）
複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納し、
前記記憶装置に格納されている前記誤差に基づき、前記複数の目的変数を複数のグループに分類し、
前記複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納し、
前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する、
処理をコンピュータが実行する情報処理方法。

（付記８）
複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納し、
前記記憶装置に格納されている前記誤差に基づき、前記複数の目的変数を複数のグループに分類し、
前記複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納し、
前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する、
処理をコンピュータに実行させるためのプログラム。

１ 情報処理装置 ２ グルーピング処理部
３ グルーピング結果格納部 ４ 候補抽出部
５ 学習データ格納部 ６ 候補格納部
７ 決定部 ８ 決定結果格納部
９ 出力部
２１ 第１モデル生成部 ２２ 第１モデル格納部
２３ 第１誤差算出部 ２４ 第１誤差データ格納部
２５ グループ生成部 ４０１ 第２モデル生成部
４０２ 第２モデル格納部 ４０３ 第３モデル格納部
４０４ 第２誤差算出部 ４０５ 第２誤差データ格納部
４０６ 第３誤差データ格納部 ４０７ 第１評価値算出部
４０８ 第１評価値格納部 ４０９ 第２評価値格納部
４１０ 抽出部 ４１１ 第１抽出結果格納部
４１２ 第２抽出結果格納部 ４１３ 第１特定部
７１ 第３モデル生成部 ７２ 第４モデル格納部
７３ 第３誤差算出部 ７４ 第４誤差データ格納部
７５ 第２評価値算出部 ７６ 第３評価値格納部
７７ 第２特定部

Claims (6)

1. 記憶装置と、
   複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、前記記憶装置に格納する第１算出部と、
   前記記憶装置に格納されている前記誤差に基づき前記複数の目的変数を複数のグループに分類し、当該複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納する第２算出部と、
   前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第１決定部と、
   を有する情報処理装置。
2. 前記第１決定部が、
   複数の説明変数の候補の各々について、当該候補と前記グループに属する目的変数の前記第１の予測モデルに含まれる説明変数とを用いて前記第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と前記代表値との第１の差を算出し、前記記憶装置に格納する第３算出部と、
   前記第３算出部により算出された前記第１の差に基づき、前記複数の説明変数の候補の中から、前記グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第２決定部と、
   を有する請求項１記載の情報処理装置。
3. 前記第３算出部が、
   前記複数の説明変数の候補の各々について、当該候補を用いて前記第２の予測モデルを生成し、当該第２の予測モデルによって算出された値と前記代表値との第２の差を算出し、前記記憶装置に格納し、
   前記第３算出部により算出された前記第１の差及び前記第２の差に基づき、前記複数の説明変数の候補の中から、前記グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する第３決定部
   をさらに有する請求項２記載の情報処理装置。
4. 前記第１決定部が、
   前記第１の予測モデルに追加する説明変数を複数決定し、
   前記複数の目的変数の各々について、当該目的変数の前記第１の予測モデルに含まれる説明変数と当該目的変数が属するグループについて前記第１決定部によって決定された複数の説明変数の各々とを用いて、当該目的変数の値を予測するための第３の予測モデルを複数生成し、当該第３の予測モデルによって算出された値の各々と当該目的変数の実際の値との誤差を算出し、前記記憶装置に格納する第４算出部と、
   前記複数の目的変数の各々について、前記第４算出部により算出された前記誤差に基づき、前記第１決定部によって決定された複数の説明変数の中から、前記第１の予測モデルに追加する最も適切な説明変数を決定する第４決定部と、
   をさらに有する請求項１乃至３のいずれか１つ記載の情報処理装置。
5. 複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納し、
   前記記憶装置に格納されている前記誤差に基づき、前記複数の目的変数を複数のグループに分類し、
   前記複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納し、
   前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する、
   処理をコンピュータが実行する情報処理方法。
6. 複数の目的変数の各々について、当該目的変数の実際の値と当該目的変数の値を予測するための第１の予測モデルによって算出された値との誤差を算出し、記憶装置に格納し、
   前記記憶装置に格納されている前記誤差に基づき、前記複数の目的変数を複数のグループに分類し、
   前記複数のグループの各々について、当該グループに属する目的変数について算出された誤差を用いて当該誤差の代表値を算出し、前記記憶装置に格納し、
   前記複数のグループの各々について、前記記憶装置に格納されている前記代表値を予測するための第２の予測モデルを説明変数を変えつつ複数生成し、生成された複数の第２の予測モデルによって算出された値の各々と前記代表値との差に基づき、当該グループに属する目的変数の前記第１の予測モデルに追加する説明変数を決定する、
   処理をコンピュータに実行させるためのプログラム。

Images