CN115315711A

CN115315711A - 机器学习装置、学习模型的生成方法及程序

Info

Publication number: CN115315711A
Application number: CN202180023864.3A
Authority: CN
Inventors: 菊池贵好; 大内田俊
Original assignee: KYB Corp
Current assignee: KYB Corp
Priority date: 2020-03-27
Filing date: 2021-03-26
Publication date: 2022-11-08
Also published as: US20230126258A1; EP4131090A1; WO2021193931A1; JP2021157654A; EP4131090A4

Abstract

通过向选定数据而生成的新学习模型的更新等，使机器学习的精度提高，并且实现运行成本的降低。数据收集部收集用于执行机器学习的数据。数据保存部保存收集到的数据。数据选定部从保存于数据保存部的数据中选定用于更新机器学习所使用的原有的学习模型的数据。并且，学习模型生成部基于所选定的数据，通过机器学习来生成新学习模型，更新部至少将原有的学习模型更新为在学习模型生成部中所生成的新学习模型。

Description

机器学习装置、学习模型的生成方法及程序

技术领域

本发明涉及机器学习装置、学习模型的生成方法及程序。

背景技术

近年来，CPU(Central Processing Unit：中央处理单元)和GPU(GraphicsProcessing Unit：图形处理单元)的高速化、存储器的大容量化及机器学习的技术迅速发展。因此，使用几十万至百万数量级的学习数据的机器学习成为可能，正在逐步建立精度高的识别技术和分类技术(参照非专利文献1)。

现有技术文献

非专利文献

非特许文献1:Yangqing Jia，Evan Shelhamer，Jeff Donahue，Sergey Karayev，Jonathan Long，Ross Girshick，Sergio Guadarrama，and Trevor Darrell.Caffe：Convolutional architecture for fast feature embedding.In Proceedings of the22nd ACM international conference on Multimedia(pp.675-678).ACM.

发明内容

发明所要解决的课题

在机器学习中，为了通用性地检测或识别广泛种类的对象体或对象体的状态等，使用相同的网络，根据对象体或对象体的状态等变更或追加学习模型，由此进行各种对象体或对象体的状态等的识别。

在此，学习模型一般优选根据大量的无偏数据来生成，如果在运用过程中收集到新数据，则也进行使用该数据来更新学习模型那样的处理。

但是，如果学习模型的更新使用有偏数据，则存在机器学习的精度恶化这样的问题。

另外，如果新收集到的数据庞大，则还存在产生相当的运行成本的问题。

因此，本发明是为了解决上述课题而完成的，其目的在于提供一种机器学习装置、学习模型的生成方法及程序，通过向选定数据而生成的新学习模型的更新等，来提高机器学习的精度，并且实现运行成本的降低。

用于解决课题的手段

方式1：本发明的一个或多个实施方式提出了一种机器学习装置，其具备：数据收集部，其收集用于执行机器学习的数据；数据保存部，其保存该收集到的数据；数据选定部，其从保存于所述数据保存部的数据中选定用于更新机器学习所使用的原有的学习模型的数据；学习模型生成部，其基于该选定的数据，通过所述机器学习来生成新学习模型；以及更新部，其将所述原有的学习模型更新为在所述学习模型生成部中所生成的所述新学习模型。

方式2：本发明的一个或多个实施方式提出了一种学习模型的生成方法，包括：第一工序，收集用于执行机器学习的数据；第二工序，从该收集到的数据中选定用于更新机器学习所使用的原有的学习模型的数据；以及第三工序，基于该选定的数据，通过所述机器学习来生成新学习模型。

方式3：本发明的一个或多个实施方式提出了一种程序，用于使计算机执行如下工序：第一工序，收集用于执行机器学习的数据；第二工序，从该收集到的数据中选定用于更新机器学习所使用的原有的学习模型的数据；第三工序，基于该选定的数据，通过所述机器学习来生成新学习模型；以及第四工序，将所述原有的学习模型更新为所述新学习模型。

附图说明

图1是表示使用第一实施方式所涉及的机器学习装置的故障预兆检测系统的结构的图。

图2是表示第一实施方式所涉及的故障预兆判定部的结构的图。

图3是表示第一实施方式所涉及的机器学习装置的结构的图。

图4是表示第一实施方式所涉及的机器学习装置的处理的流程图。

图5是例示了第一实施方式中的分布的图。

图6是表示第二实施方式所涉及的机器学习装置的结构的图。

图7是表示第二实施方式所涉及的机器学习装置内的离群值检测部的结构的图。

图8是表示第二实施方式所涉及的机器学习装置的处理的流程图。

图9是例示了第二实施方式中的离群值的图。

图10是表示第三实施方式所涉及的机器学习装置的结构的图。

图11是表示第三实施方式所涉及的机器学习装置的处理的流程图。

具体实施方式

＜第一实施方式＞

以下，使用图1至图5，对本实施方式所涉及的机器学习装置40进行说明。

另外，以下，作为使用机器学习装置40的系统，例示故障预兆检测系统1来进行说明。

(故障预兆检测系统的结构)

使用图1，对使用本实施方式所涉及的机器学习装置40的故障预兆检测系统1的结构进行说明。另外，使用机器学习装置40的故障预兆检测系统1是根据设备内的工作油的油状态来检测设备的故障预兆信息的系统。

如图1所示，本实施方式所涉及的故障预兆检测系统1构成为包括油状态传感器10、参数值计算部20、故障预兆判定部30和机器学习装置40。

油状态传感器10是检测工作油的油状态的油状态传感器，以使感测构件浸渍在作为感测对象的设备100的工作油内的方式安装，例如取得包括工作油的相对介电常数、导电率的信息。

参数值计算部20基于油状态传感器10的传感器输出和相关关系信息，求出表示工作油的状态的参数的值。

故障预兆判定部30根据具有相关关系的参数的值实时地输出设备100的故障预兆信息。

在此，故障预兆判定部30输入具有相关关系的参数的值，执行机器学习而输出设备100的故障预兆信息。

机器学习装置40更新在故障预兆判定部30中机器学习所使用的学习模型。具体而言，从作为数据的在参数值计算部20中所求出的参数的值中选定用于更新机器学习所使用的学习模型的数据。然后，基于所选定的数据来生成机器学习所使用的学习模型，并将原有的学习模型更新为所生成的学习模型。

(故障预兆判定部30的结构)

如图2所示，故障预兆判定部30构成为包括故障预兆判定算法31、学习模型保存部32、控制部33和信息存储部34。

故障预兆判定算法31是用于执行故障预兆判定部30中的机器学习的算法，将在参数值计算部20中计算出的表示工作油的油状态的参数的参数值作为输入，执行使用了后述的学习模型的机器学习，例如输出包含故障时期、表示工作油的状态的参数的贡献度的故障预兆信息和用于将故障防止于未然的对应消息。

学习模型保存部32保存预先生成的学习模型。这里，所谓学习模型，是基于输入数据对规则或模式(输出)进行学习而得到的数据。

控制部33按照保存于ROM(Read Only Memory：只读存储器)等的控制程序，控制故障预兆判定部30的动作。

另外，控制部33在从机器学习装置40接收到要更新的学习模型时，访问学习模型保存部32，进行将已保存的学习模型改写为要更新的学习模型的处理。

信息存储部34存储将从参数值计算部20输入的信息与从故障预兆判定算法31输出的故障预兆信息建立了关联的数据库。

(机器学习装置40的结构)

如图3所示，机器学习装置40构成为包括数据收集部41、数据保存部42、分布生成部43、数据选定部44、学习模型生成部45和更新部46。

数据收集部41收集用于在故障预兆判定部30中执行机器学习的数据。在本实施方式中，经由故障预兆判定部30内的控制部33取得保存在故障预兆判定部30内的保存参数值计算部20的计算结果(数据)的信息存储部34中的计算结果(数据)。

另外，在其他系统使用机器学习装置40的情况下，数据收集部41也可以独自收集数据。

数据保存部42例如按时间序列顺序保存从数据收集部41输入的信息。另外，数据保存部42也可以将在规定期间内收集到的信息按每个规定期间进行划分并保存。

分布生成部43生成针对保存在数据保存部42中的规定的数据收集期间内的数据组的分布。例如，分布生成部43也可以将参数值计算部20的计算结果(数据)的分布生成为正态分布。

数据选定部44从保存于数据保存部42的数据中选定用于更新机器学习所使用的学习模型的数据。例如，在本实施方式中，在分布生成部43生成的分布相对于原有的分布变化了所设定的阈值以上的情况下，将变化后的数据组选定为用于更新机器学习所使用的学习模型的数据。

学习模型生成部45基于在数据选定部44中所选定的数据来生成机器学习所使用的学习模型。

更新部46将原有的学习模型更新为在学习模型生成部45中所生成的学习模型。在本实施方式中，更新部46将使故障预兆判定部30内的控制部33将原有的学习模型更新为在学习模型生成部45中所生成的学习模型的命令消息和要更新的学习模型发送到控制部33，执行学习模型的更新。

(机器学习装置40的处理)

使用图4和图5，对本实施方式所涉及的机器学习装置40的处理进行说明。

数据收集部41收集用于在故障预兆判定部30中执行机器学习的数据(步骤S101)。

分布生成部43生成针对保存在数据保存部42中的规定的数据收集期间内的数据组的分布(步骤S102)。此时，分布生成部43生成针对保存在数据保存部42中的最近的规定的数据收集期间内的数据组的分布和针对最近的规定的数据收集期间的前一个数据收集期间内的数据组的分布，并输出到数据选定部44。另外，也可以通过将分布生成部43针对比最近的规定的数据收集期间靠前的规定的收集期间的数据组所生成的分布例如保存于未图示的存储部中，来减少分布生成部43的处理。

数据选定部44判定分布生成部43生成的分布相对于原有的分布是否变化了所设定的阈值以上(步骤S103)。数据选定部44在判定为分布生成部43生成的分布相对于原有的分布未变化所设定的阈值以上的情况下(步骤S103的“否”)，将处理返回到步骤S101。

另一方面，在判定为分布生成部43生成的分布相对于原有的分布变化了所设定的阈值以上的情况下(步骤S103的“是”)，例如，在如图5所示那样分布的中心偏离了“A”且“A”为阈值以上的情况下，数据选定部44将变化后的数据组选定为用于更新机器学习所使用的学习模型的数据，并将该数据输出到学习模型生成部45。

学习模型生成部45基于在数据选定部44中所选定的数据来生成机器学习所使用的学习模型(步骤S104)。然后，更新部46将使故障预兆判定部30内的控制部33将原有的学习模型更新为在学习模型生成部45中所生成的学习模型的命令消息和要更新的学习模型发送到控制部33，执行学习模型的更新(步骤S105)。

(作用效果)

如以上所说明的那样，在本实施方式的机器学习装置40中，数据选定部44从保存于对所收集到的数据进行保存的数据保存部42中的数据中选定用于更新故障预兆判定部30中的机器学习所使用的原有的学习模型的数据。另外，学习模型生成部45基于所选定的数据，通过机器学习来生成新学习模型。而且，更新部46将原有的学习模型更新为在学习模型生成部45中所生成的新学习模型。

即，基于所选定的数据来生成机器学习所使用的原有的学习模型，并基于所选定的数据，通过机器学习来生成新学习模型。

因此，例如，由于利用严格挑选的无偏数据生成用于更新的学习模型，因而能够使机器学习的精度提高。另外，由于利用严格挑选的无偏数据，通过机器学习生成新学习模型，因而能够降低与学习模型的更新相关的运行成本。

在本实施方式的机器学习装置40中，分布生成部43生成针对保存在数据保存部42中的规定的数据收集期间内的数据组的分布。数据选定部44将分布生成部43生成的分布与生成原有的学习模型时的数据组的分布进行比较，在判定为比较结果不相似的情况下，将保存在数据保存部中的数据组选定为用于更新学习模型的数据组。

即，将分布生成部43生成的分布与生成原有的学习模型时的数据组的分布进行比较，在比较结果不相似的情况下，设想对象体的状态发生了变化。在这种状况下，设想即使使用以往的学习模型来执行机器学习，也会导致精度的降低。

因此，将分布生成部43生成的分布与生成原有的学习模型时的数据组的分布进行比较，在判定为比较结果不相似的情况下，将保存在数据保存部42中的数据组选定为用于更新学习模型的数据组，生成新学习模型，并将原有的学习模型更新为所生成的学习模型，由此能够使机器学习的精度提高。另外，由于利用严格挑选的无偏数据生成用于更新的学习模型，因而能够降低与学习模型的更新相关的运行成本。

＜第二实施方式＞

以下，使用图6至图9，对本实施方式所涉及的机器学习装置40A进行说明。

(机器学习装置40A的结构)

使用图6，对本实施方式所涉及的机器学习装置40A的结构进行说明。

如图6所示，本实施方式所涉及的机器学习装置40A构成为包括数据收集部41、数据保存部42、数据选定部44A、学习模型生成部45、更新部46和离群值检测部47。

另外，对于标注与第一实施方式相同的符号的构成要素，由于具有同样的功能，所以省略其详细的说明。

数据选定部44A从保存于数据保存部42的数据中选定用于更新机器学习所使用的学习模型的数据。例如，在本实施方式中，将在最近的规定期间内保存于数据保存部的保存数据中的、相对于生成原有的学习模型时的数据的离群值选定为用于更新机器学习所使用的学习模型的数据。另外，离群值在后述的离群值检测部47中被检测。

离群值检测部47将保存在数据保存部42中的数据作为输入，执行使用了专用算法和学习模型的机器学习来检测离群值。检测出的离群值被输出到数据选定部44A。

(离群值检测部47的结构)

如图7所示，离群值检测部47构成为包括离群值检测算法47A和学习模型保存部47B。

离群值检测算法47A是用于针对由多个数据构成的数据组，使用保存在后述的学习模型保存部47B中的学习模型，执行对在图9中用“×”标记表示的所谓的离群值进行检测的机器学习的算法。

另外，当执行使用了离群值检测算法47A的机器学习时，还检测图9中“★”标记那样的数据，但对于这样的数据，可以根据其目的等适当地进行排除等处理。

学习模型保存部47B保存在离群值检测算法47A的机器学习的执行中使用的学习模型。

(机器学习装置40A的处理)

使用图8、图9，对本实施方式所涉及的机器学习装置40A的处理进行说明。

数据收集部41收集用于在故障预兆判定部30中执行机器学习的数据(步骤S201)。

离群值检测部47将保存在数据保存部42中的数据作为输入，执行使用了专用算法和学习模型的机器学习来检测离群值。检测出的离群值被输出到数据选定部44A(步骤S202)。具体而言，离群值检测部47具备离群值检测算法47A，离群值检测算法47A针对由多个数据构成的数据组，使用保存在后述的学习模型保存部47B中的学习模型，执行对在图9中用“×”标记表示的所谓的离群值进行检测的机器学习，将检测出的离群值输出到数据选定部44A。

数据选定部44A将在最近的规定期间内保存到数据保存部中的保存数据中的、在离群值检测部47中检测出的相对于生成了原有的学习模型时的数据的离群值选定为用于更新机器学习所使用的学习模型的数据。

学习模型生成部45基于在数据选定部44A中所选定的数据来生成机器学习所使用的学习模型(步骤S203)。然后，更新部46将使故障预兆判定部30内的控制部33将原有的学习模型更新为在学习模型生成部45中所生成的学习模型的命令消息和要更新的学习模型发送到控制部33，执行学习模型的更新(步骤S204)。

(作用效果)

如以上所说明的那样，在本实施方式的机器学习装置40A中，数据选定部44A对在规定的数据收集期间内保存到数据保存部42中的保存数据中的、相对于生成了原有的学习模型时的数据的离群值进行检测，并将包含该离群值的数据选定为用于更新学习模型的数据。

即，数据选定部44A进行使用了检测离群值的算法的机器学习，对在规定的数据收集期间内保存到数据保存部42中的保存数据中的、相对于生成了原有的学习模型时的数据的离群值进行检测，并将包含该离群值的数据选定为用于更新学习模型的数据，因此结果是，能够将相对于生成了原有的学习模型时的数据的分布偏离了规定以上的数据选定为用于生成新学习模型的数据。

因此，通过选定进行使用了检测离群值的算法的机器学习而得到的数据组来生成新学习模型，并将原有的学习模型更新为所生成的学习模型，能够使机器学习的精度提高。另外，由于利用严格挑选的数据来生成用于更新的学习模型，因此能够降低与学习模型的更新相关的运行成本。

另外，在本实施方式中，例示了进行使用了检测离群值的算法的机器学习的情况，但例如也可以如3σ法等那样，利用不使用机器学习的离群值检测法来进行处理。

＜第三实施方式＞

以下，使用图10、图11，对本实施方式所涉及的机器学习装置40B进行说明。

(机器学习装置40B的结构)

使用图10，对本实施方式所涉及的机器学习装置40B的结构进行说明。

如图10所示，本实施方式所涉及的机器学习装置40B构成为包括数据收集部41、数据保存部42、分布生成部43、数据选定部44、学习模型生成部45、更新部46A、算法保存部48和精度判定部49。

另外，对于标注与第一实施方式和第二实施方式相同的符号的构成要素，由于具有同样的功能，所以省略其详细的说明。

更新部46A将原有的学习模型更新为在学习模型生成部45中所生成的学习模型，并且在后述的精度判定部49中判定为使用了在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度比使用了原有的用于机器学习的学习模型的机器学习的精度低的情况下，还变更机器学习所使用的算法。

算法保存部48保存特征不同的多个机器学习用算法。更新部46A从保存于算法保存部48的算法之中选择更新用的算法，并输出到故障预兆判定部30内的控制部33。

精度判定部49将使用了原有的学习模型和在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度进行比较，判定使用了在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度。

(机器学习装置40B的处理)

使用图11，对本实施方式所涉及的机器学习装置40B的处理进行说明。

数据收集部41收集用于在故障预兆判定部30中执行机器学习的数据(步骤S301)。

分布生成部43生成针对保存在数据保存部42中的规定的数据收集期间内的数据组的分布(步骤S302)。此时，分布生成部43生成针对保存在数据保存部42中的最近的规定的数据收集期间内的数据组的分布和针对最近的规定的数据收集期间的前一个数据收集期间内的数据组的分布，并输出到数据选定部44。

数据选定部44判定分布生成部43生成的分布相对于原有的分布是否变化了所设定的阈值以上(步骤S303)。数据选定部44在判定为分布生成部43生成的分布相对于原有的分布未变化所设定的阈值以上的情况下(步骤S303的“否”)，将处理返回到步骤S301。

另一方面，数据选定部44在判定为分布生成部43生成的分布相对于原有的分布变化了所设定的阈值以上的情况下(步骤S303的“是”)，将变化后的数据组选定为用于更新机器学习所使用的学习模型的数据，并将该数据输出到学习模型生成部45。

学习模型生成部45基于在数据选定部44中所选定的数据，来生成机器学习所使用的学习模型(步骤S404)。更新部46A将使故障预兆判定部30内的控制部33将原有的学习模型更新为在学习模型生成部45中所生成的学习模型的命令消息和要更新的学习模型发送到控制部33，执行学习模型的更新(步骤S305)。

接下来，精度判定部49将使用了原有的学习模型和在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度进行比较，判定使用了在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度(步骤S306)。

在精度判定部49中的判定的结果为，使用了在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度相对于使用了原有的学习模型的机器学习的精度未恶化的情况下(步骤S306的“否”)，将处理返回到步骤S301。

另一方面，在精度判定部49中的判定的结果为，使用了在学习模型生成部45中所生成的用于机器学习的学习模型的机器学习的精度相对于使用了原有的学习模型的机器学习的精度发生了恶化的情况下(步骤S306的“是”)，更新部46A将使故障预兆判定部30内的控制部33将原有的故障预兆判定算法更新为保存在算法保存部48中的其他算法的命令消息和要更新的其他算法发送到控制部33，执行算法的更新(步骤S307)。

(作用效果)

如以上所说明的那样，在本实施方式的机器学习装置40B中，精度判定部49将原有的学习模型的精度与新学习模型的精度进行比较。在学习模型生成部45中所生成的新学习模型的精度低于原有的学习模型的精度时，更新部46A变更机器学习所使用的算法。

即，在使用了在学习模型生成部45中所生成的用于机器学习的新学习模型的机器学习的精度低于使用了原有的用于机器学习的学习模型的机器学习的精度时，更新超参数来进行评价，并且在未看到改善的情况下，还变更算法。另外，作为算法，例如可以例示出SVM或DNN，但除了用这些算法单体进行评价以外，也可以通过混合多个算法进行评价的集成学习来进行评价。

因此，在即使更新学习模型，机器学习的精度也比以往的精度低的情况下，由于还变更算法，因此能够使机器学习的精度提高。另外，由于利用严格挑选的数据来执行对运行成本影响大的更新用的学习模型的生成，因此能够降低与学习模型的更新相关的运行成本。另外，由于在更新超参数来进行评价的基础上未看到改善的情况下，还变更算法，所以即使算法相同，有时也能够期待超参数的调整精度提高。

另外，在第一实施方式中，阈值的设定也可以任意地进行。另外，阈值的设定也可以根据由数据选定部44所选定的数据的相似度而自动地决定。

另外，在第三实施方式中，例示了数据选定部44在判定为分布生成部43生成的分布相对于原有的分布变化了所设定的阈值以上的情况下，将变化后的数据组选定为用于更新机器学习所使用的学习模型的数据，但也可以如第二实施方式所示那样，数据选定部44A将在最近的规定期间内保存到数据保存部中的保存数据中的、在离群值检测部47中检测出的相对于生成了原有的学习模型时的数据的离群值选定为用于更新机器学习所使用的学习模型的数据。

另外，通过将机器学习装置40、40A、40B的处理记录于计算机系统能够读取的记录介质，并使机器学习装置40、40A、40B读入记录在该记录介质中的程序并执行，由此能够实现本发明的机器学习装置40、40A、40B。这里所说的计算机系统包括OS、外围装置等硬件。

若是利用WWW(World Wide Web：万维网)系统的情况，则“计算机系统”也包括主页提供环境(或显示环境)。另外，上述程序也可以从在存储装置等中保存有该程序的计算机系统，经由传输介质或通过传输介质中的传输波而传输到其他计算机系统。这里，传输程序的“传输介质”是指诸如因特网等网络(通信网)或电话线路等通信线路(通信线)那样具有传输信息的功能的介质。

另外，上述程序也可以用于实现上述功能的一部分。而且，也可以是能够通过与已经记录在计算机系统中的程序的组合来实现上述功能的所谓的差分文件(差分程序)。

以上，参照附图详细说明了本发明的实施方式，但具体的结构并不限于该实施方式，也包括不脱离本发明的主旨的范围内的设计等。

根据上述故障预兆检测系统，通过向选定数据而生成的新学习模型的更新等，能够使机器学习的精度提高，并且能够实现运行成本的降低。

符号说明

1：故障预兆检测系统

10：油状态传感器

20：参数值计算部

30：故障预兆判定部

31：故障预兆判定算法

32：学习模型保存部

33：控制部

34：信息存储部

40：机器学习装置

40A：机器学习装置

40B：机器学习装置

41：数据收集部

42：数据保存部

43：分布生成部

44：数据选定部

44A：数据选定部

45：学习模型生成部

46：更新部

46A：更新部

47：离群值检测部

47A：离群值检测算法

47B：学习模型保存部

48：算法保存部

49：精度判定部

100：设备。

Claims

1.一种机器学习装置，其特征在于，具备：

数据收集部，其收集用于执行机器学习的数据；

数据保存部，其保存该收集到的数据；

数据选定部，其从保存于所述数据保存部的数据中选定用于更新机器学习所使用的原有的学习模型的数据；

学习模型生成部，其基于该选定的数据，通过所述机器学习来生成新学习模型；以及

更新部，其将所述原有的学习模型更新为在所述学习模型生成部中所生成的所述新学习模型。

2.根据权利要求1所述的机器学习装置，其特征在于，

所述机器学习装置具备分布生成部，该分布生成部生成针对保存在所述数据保存部中的规定的数据收集期间内的数据组的分布，

所述数据选定部将所述分布生成部生成的所述分布与生成所述原有的学习模型时的数据组的分布进行比较，并在判定为比较结果不相似的情况下，将保存在所述数据保存部中的数据组选定为用于更新所述学习模型的所述数据组。

3.根据权利要求1所述的机器学习装置，其特征在于，

所述数据选定部对在规定的数据收集期间内保存到所述数据保存部的保存数据中的、相对于生成所述原有的学习模型时的数据的离群值进行检测，并将包含该离群值的数据选定为用于更新所述学习模型的数据。

4.根据权利要求1所述的机器学习装置，其特征在于，

所述机器学习装置具备精度判定部，该精度判定部将所述原有的学习模型的精度与所述新学习模型的精度进行比较，

在所述学习模型生成部中所生成的所述新学习模型的精度比所述原有的学习模型的精度低时，所述更新部变更所述机器学习所使用的算法。

5.一种学习模型的生成方法，其特征在于，包括：

第一工序，收集用于执行机器学习的数据；

第二工序，从该收集到的数据中选定用于更新机器学习所使用的原有的学习模型的数据；以及

第三工序，基于该选定的数据，通过所述机器学习来生成新学习模型。

6.一种程序，用于使计算机执行如下工序：

第一工序，收集用于执行机器学习的数据；

第二工序，从该收集到的数据中选定用于更新机器学习所使用的原有的学习模型的数据；

第三工序，基于该选定的数据，通过所述机器学习来生成新学习模型；以及

第四工序，将所述原有的学习模型更新为所述新学习模型。