JP2003296696A

JP2003296696A - クラスタリング装置およびクラスタリング方法

Info

Publication number: JP2003296696A
Application number: JP2002100446A
Authority: JP
Inventors: Nobuyuki Matsui; 伸之松井; Noriaki Koeda; 徳晃小枝; Kazuyuki Kanai; 一之金井
Original assignee: Sysmex Corp
Current assignee: Sysmex Corp
Priority date: 2002-04-02
Filing date: 2002-04-02
Publication date: 2003-10-17

Abstract

(57)【要約】【課題】信頼性の高い分類分けができ、距離をセル間
の距離を視覚的に認識できるように改良したＳＯＭ作成
装置を提供する。【解決手段】数値の組からなる「ベクトルデータ」を
含んだ「学習データが読み込まれる学習データ読込部
と、学習データ読込部で読み込まれた複数の学習データ
をもとにして、２次元面上に規則的に配列された「セ
ル」に位置情報が割り付けられたマップを作成するマッ
プ作成部と、割り付けられた位置情報にもとづいてマッ
プ上の各セル間の「距離」を算出する距離演算部と、マ
ップ上に距離演算部で算出された距離を視覚的に表示す
るための距離表示部を設けるようにする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ベクトルとして与
えられている情報を、その類似度から分類するクラスタ
リング装置に関する。

【０００２】

【従来の技術】従来、情報のクラスタリングを行う装置
としてさまざまなものが提案されている。情報のクラス
タリングを行う技術の一例として、３つ以上の数値の組
で１つのデータが構成されるいわゆる多次元ベクトルデ
ータの集合がある場合に、これらのデータ群を２次元の
マップ上に表現することにより、視覚的にわかりやすく
データ群を性質ごとにクラスタリングすることができる
ＳＯＭ（自己組織化マップ（Self-Organizing Maps）の
略称であり、以下単にＳＯＭと称す）の技術がある。

【０００３】ＳＯＭとは、２次元領域からなるマップで
あり、セル（ニューロンとも呼ばれ、規則正しく配置さ
れた升目）により区切られているマップである。各セル
には、「参照データ」と呼ばれるベクトルデータが割り
付けられる。これによって各セルは位置情報を持つこと
となる。ＳＯＭの技術では、各セルの位置情報（すなわ
ちセル間の距離）をもとにクラスタリングを行う。

【０００４】ＳＯＭの技術はニューラルネットワークの
ひとつであり、「教師なし学習過程」をとるものであ
る。また、ＳＯＭの技術は、T.Kohonenにより提案され
たものである。

【０００５】

【発明が解決しようとする課題】従来のクラスタリング
装置で行われているクラスタリング技術、例えばＳＯＭ
の技術によれば、２次元面からなるマップに、規則正し
い升目模様のセル境界線が表示されるだけであり、セル
間の距離に関する情報については視覚的に得ることがで
きていない。従って、従来のＳＯＭを視覚的にクラスタ
リングする場合、距離が短い（すなわち類似度が高い）
隣り合ったセルを別々のクラスタに分類してしまう一方
で、距離が長い（すなわち類似度が低い）隣り合ったセ
ルを同じクラスタに分類してしまうことがあり、信頼性
の高いクラスタリングをすることが難しいという課題が
あった。

【０００６】そこで本発明は、セル間の距離を視覚的に
把握することができるようにすることにより信頼性の高
いクラスタリングを可能としたクラスタリング装置を提
供することを目的とする。

【０００７】上述のＳＯＭの技術によれば、学習データ
に属性データ（データの種類（他の何らかの方法で定め
る種類）を表すデータ）を持たせておき、属性データと
関連付けた「発火情報」をＳＯＭ上のセルに割り付ける
ことが行われている。そして発火情報からクラスタの形
を視覚的に予想することによってＳＯＭのクラスタリン
グが行われていた。しかし、従来の視覚によるクラスタ
リングはオペレータの経験によるところが大きく、信頼
性の高いものではなかった。

【０００８】そこで、本発明は、学習データの属性を統
計的に考慮したクラスタリングを行うことにより信頼性
の高いクラスタリングを可能としたクラスタリング装置
を提供することを目的とする。

【０００９】学習データの属性を考慮し、統計的な裏付
けがなされたクラスタリングを行ったのちに、クラスタ
を多少調整することにより、さらに現実的なクラスタリ
ングを行うことができる場合がある。

【００１０】そこで、本発明は、統計量によるクラスタ
リングの結果を元に、さらに現実的なクラスタに加工す
る際に役立つ「判別特性値」と呼ぶ統計的な数値、ある
いはセル間の距離に基づいてクラスタの調整を可能とす
ることにより信頼性の高いクラスタリングを可能とした
クラスタリング装置を提供することを目的とする。

【００１１】

【課題を解決するための手段】上記課題を解決するため
になされた本発明のクラスタリング装置は、数値の組か
らなる「ベクトルデータ」を含んだ「学習データ」が読
み込まれる学習データ読込部と、学習データ読込部で読
み込まれた複数の学習データをもとにして、２次元面上
に規則的に配列された「セル」に位置情報が割り付けら
れたマップを作成するマップ作成部と、マップ上の各セ
ル間の「距離」を算出する距離演算部と、マップ上に距
離演算部で算出された距離を視覚的に表示するための距
離表示部を設ける。

【００１２】

【発明の実施の形態】この発明のクラスタリング装置に
よれば、学習データ読込部は数値の組からなるベクトル
データを含んだ「学習データ」を読み込む。読み込む学
習データの数は、学習データを構成するベクトルデータ
の次元数やマップ上のセル数によって異なるが、一般に
学習データ数が多いほど学習結果が改善されていく半
面、学習に時間を要することになるのでこれらを勘案し
て適当な数とする。例えば、３次元ベクトルデータの学
習データの場合は数千個程度あれば十分である。

【００１３】マップ作成部は、学習データ読込部から順
次学習データを取り出す。マップ作成部では、例えば、
T.Kohonenによって提案された自己組織化学習アルゴリ
ズムに基づいて取り出した学習データを用いて順次学習
を行うことにより、２次元面上に規則的に配列されたセ
ルのそれぞれに「ベクトルデータ」と同次元のベクトル
値からなる位置情報としての意味を有する「参照デー
タ」を割り付けたマップ、例えばＳＯＭ（自己組織化マ
ップ）を作成する。

【００１４】距離演算部は、マップを構成している各セ
ル間の距離を算出する。距離は、距離測定の対象となる
２つのセルがそれぞれ有する参照ベクトルのベクトル的
な差を数値的に表現できる指標値であれば何でもよい。
例えば後述する「ユークリッド距離」が用いられる。ま
た、「ユークリッド距離」に代えて、ベクトルの「内
積」を用いてもよい。

【００１５】距離表示部は、距離演算部で算出された各
セル間の距離に基づいて、マップ上に距離を視覚的に表
示する。距離を視覚的に表示する方法としては、セル間
の距離を境界線の太さにより表示するのが好ましい。ま
た、境界線の線種（線の種類）を変え、あるいはセルの
色を変えて距離を表現してもよい。

【００１６】また、課題を解決するためになされた他の
発明のクラスタリング装置は、数値の組からなる「ベク
トルデータ」とデータの種類に関する情報である「属性
データ」とを含んだ「学習データ」が読み込まれる学習
データ読込部と、学習データ読込部で読み込まれた複数
の学習データに対して「ＳＯＭ学習アルゴリズム」に基
づく学習を行うことにより、２次元面上に規則的に配列
された「セル」に対してセルごとに学習データと同次元
のベクトルデータからなる「参照データ」が割り付けら
れるとともに、１つの学習データごとに１つのセルを
「発火セル」と定めてこの発火セルに当該学習データに
含まれる属性データと関連付けた「発火情報」が割り付
けられたＳＯＭを作成するＳＯＭ作成部と、ＳＯＭ上の
各セルに対し、セルに割り付けられた発火情報に基づい
て各セルの「クラスタ」を決定する分類部とを備えてい
る。

【００１７】本発明によれば、学習データ読込部は数値
の組からなるベクトルデータを含んだ「学習データ」を
読み込む。ＳＯＭ作成部は、学習データ読込部から順次
学習データを取り出し、T.Kohonenによって提案された
自己組織化学習アルゴリズム（ＳＯＭ学習アルゴリズ
ム）に基づいて取り出した学習データを用いて順次学習
を行うことにより、２次元面上に規則的に配列されたセ
ルのそれぞれに「ベクトルデータ」と同次元のベクトル
値からなる位置情報としての「参照データ」を割り付け
る。

【００１８】ＳＯＭ作成部は、１つの学習データごとに
その学習データに最も近いベクトル値を有する参照ベク
トルを有するセルを検索し、これを発火セルと定める。
そしてＳＯＭ作成部は、発火セルに当該学習データに含
まれる属性データと関連付けた発火情報を割り付ける。
セルによっては複数の学習データにより複数回発火セル
となる場合もある。その場合のセルの発火情報は累積さ
れていく。すべての学習データについて学習を行うとＳ
ＯＭ作成部はセルごとに参照データと発火情報とを割り
付けたＳＯＭを作成する。

【００１９】分類部は、ＳＯＭ上の各セルに対し、セル
に割り付けられた発火情報に基づいて例えば後に詳述す
る自動分類アルゴリズムを用いて各セルの「クラスタ」
を決定し、ＳＯＭのクラスタリングを行う。

【００２０】クラスタリング装置は、セルの発火情報と
セルのクラスタとの関係を示す対照表を表示する対照表
表示部をさらに備えてもよい。また、クラスタリング装
置は、セルの発火回数に基づいて算出される「判別特性
値」を表示する判別特性値表示部をさらに備えてもよ
い。また、クラスタリング装置は、分類部が決定したセ
ルのクラスタを調整するためのクラスタ調整部をさらに
備え、判別特性値表示部はクラスタ調整部によるクラス
タの調整に連動して判別特性値を更新するようにしても
よい。

【００２１】また、別の観点から上記課題を解決するた
めになされた本発明のクラスタリング方法は、（a)数値
の組からなる「ベクトルデータ」とデータの種類に関す
る情報である「属性データ」とを含んだ複数の「学習デ
ータ」を読み込み、(b)読み込んだ複数の学習データに
対して「ＳＯＭ学習アルゴリズム」に基づく学習を行う
ことにより、２次元面上に規則的に配列された「セル」
に対してセルごとに「ベクトルデータ」と同次元のベク
トルデータからなる「参照データ」を割り付けるととも
に、１つの学習データごとに１つのセルを「発火セル」
と定めてこの発火セルに当該学習データに含まれる属性
データと関連付けた「発火情報」を割り付けたＳＯＭを
作成し、(c)セルごとに割り付けた参照データにもとづ
いて算出されるセル間の「距離」を算出し、(d)セルご
との発火回数にもとづいて算出される「判別特性値」を
算出し、(e)ＳＯＭ上の各セルに対し、少なくとも「距
離」又は「判別特性値」のいずれかに基づいて各セルの
「クラスタ」を決定してクラスタリングするようにして
いる。判別特性値には「効率」「感度」「ＦＮＲ」「Ｆ
ＰＲ」「特異度」のいずれかが含まれるようにしてもよ
い。

【００２２】

【実施例】以下、本発明の実施例について図面を用いて
説明する。ここでは、３つの異なる種類の血液検査デー
タ（ＭＣＶ値、ＭＣＨ値、ＭＣＨＣ値）を学習データの
対象とした例を用いて説明する。また、「ＳＯＭ学習ア
ルゴリズム」に基づく学習を行うことによりマップ（Ｓ
ＯＭ）を作成するクラスタリング装置を例に取り説明す
る。

【００２３】クラスタリング装置の構成図１は本発明の一実施例であるクラスタリング装置の構
成を示すブロック構成図である。図において１０はクラ
スタリング装置、１２は入力装置、１４は出力装置であ
り、ＣＰＵ、ＲＯＭ，ＲＡＭ，ハードディスク、キーボ
ード、マウス、ＣＲＴ等からなるコンピュータシステム
によりハード構成が形成される。各部はＢＵＳで接続さ
れている。

【００２４】クラスタリング装置１０は、学習データ読
込部１６、ＳＯＭ作成部１８、距離演算部２０、距離表
示部２２、自動分類部２４、対照表表示部２６、判別特
性値表示部２８、分類調整部３０、未知データ読込部３
２、評価決定部３４により構成される。また、クラスタ
リング装置１０は、ＳＯＭを作成するのに必要な学習デ
ータを格納する学習データＤＢ（データベース）３６、
ＳＯＭ作成途中のマップデータや既に完成されたＳＯＭ
のマップデータ（発火情報、参照データが含まれる）を
格納するマップＤＢ３８、作成されたＳＯＭを用いて評
価が行われる未知データを格納する未知データＤＢ４０
を有している。

【００２５】学習データ読込部１６は、学習データＤＢ
３６に蓄積されている学習データからＳＯＭを作成する
ために必要な学習データ群を抽出して読み込む。ここで
読み込まれる学習データの１つ１つには、属性データと
３つの数値の組からなる３次元ベクトルデータとが含ま
れている。このうち３次元ベクトルデータの部分は学習
過程で各セルに参照データを割り付けるために用いられ
るものであり、属性データの部分は学習過程で各セルに
発火情報を与えるときに用いられるものである。また、
属性データは各セルに参照データが割り付けられた後
に、後述する「自動分類」を実行する際に必要となるデ
ータである。学習データ群は、学習データＤＢ３６から
取り込むのが便利であるが、入力装置１２から入力する
ようにしてもよい。なお、学習データの作成については
後ほどさらに説明をする。

【００２６】ＳＯＭ作成部１８は、学習データ読込部１
６が読み込んだ各学習データのうちの３次元ベクトルデ
ータ部分を用いて「未分類のＳＯＭ」作成のための学習
アルゴリズムを実行する。「未分類のＳＯＭ」とは、Ｓ
ＯＭ上の各セルに参照データを割り付けただけであって
類似するセルどうしのグループ（クラスタ）を境界線で
分ける前の状態のＳＯＭをいう。ここで実行される学習
アルゴリズムには、T.Kohonenによって提案されたＳＯ
Ｍ学習アルゴリズム（自己組織化学習アルゴリズム）が
用いられる。

【００２７】ＳＯＭ作成部１８はＳＯＭ学習アルゴリズ
ムを実行することで、２次元面上のマップに規則的に配
列された各セルに学習データと同次元を有する参照デー
タを割り付け、これによりクラスタリングがなされてい
ない未分類のＳＯＭを作成し出力装置１４に表示させ
る。

【００２８】ここで、ＳＯＭ学習アルゴリズムについて
一般的な例を用いて説明する。図３に示すような２次元
領域からなるマップ１上にセル２（ニューロンとも呼ば
れ、規則正しく配列された升目（四角形のみならず六角
形等でもよい）により区切られている）が配置される。
各セル２はｘ座標、ｙ座標からなる直交座標系により特
定され、図３の例ではｘ方向に３２枡、ｙ方向に３２枡
のセルが並ぶようにしてあり、３２×３２＝１０２４個
のセル２が配置されている。そして左上隅のセルを
（０，０）右下隅のセルを（３１，３１）とし横方向を
ｘ座標、縦方向をｙ座標にとした座標系により各セル２
が特定できるようにしてある。

【００２９】各セル２には、数値の組からなる多次元ベ
クトルデータが割り付けられている。図４の中央欄に示
す例は３次元データの場合であり、（ａ_i，ｂ_i，ｃ_i）
のように３つの数値の組で構成されている（ａ_i，ｂ_i，
ｃ_iは任意の数値を示す）。このデータは「参照デー
タ」と呼ばれる。参照データの初期値は乱数で与えられ
るのが一般的であり、それぞれのデータ間には何らの意
味も相関も有していない形式的なデータとなっている。

【００３０】この初期の「参照データ」に対して、「学
習データ」と呼ばれる前述の参照データと同じ次元数を
有する多次元ベクトルデータを用いて学習を行う。例え
ば血液検査を例にすると、図５に示すようにＭＣＶ値、
ＭＣＨ値、ＭＣＨＣ値などの血液検査データ値を０〜１
の値に規格化した値の組からなる３次元ベクトルデータ
が学習データとして与えられる。

【００３１】ＳＯＭ学習は、以下のようになされる。ま
ず、最初の学習データ（図５の例では、ＭＣＶ＝０．６
８１１，ＭＣＨ＝０．８０４８，ＭＣＨＣ＝０．６２３
７）が与えられると、１０２４個のセルに割り付けられ
た参照ベクトル群（乱数を用いて割り当てられた形式的
なベクトル群）のなかから、この学習データに最も近い
参照データを検索する。最も近い参照データを有するセ
ルを「発火セル」と呼ぶ。最も近い参照データを有する
セルとして選択されることを発火と呼ぶ。

【００３２】続いて、この発火セルの近傍（例えば発火
セルから２枡以内）にある複数のセルについて、それぞ
れのセルの参照データ（ベクトル値）を所定のルール
（例えばベクトル値を一定割合だけ発火セルに近づける
等のルール）でわずかに学習データに似せる（ベクトル
値を近づける）ことにより、参照データを更新する。以
上により１回の学習が完了する。

【００３３】以後、次々に学習データを用いて同様の学
習を繰り返していくと（例えば数千回程度）、図４の右
欄に示すように各セルの参照データが定まっていく。こ
のとき任意のセルの近傍には類似した参照データを持っ
たセルが集まることになる。ここでいう「類似した参照
データ」とは、参照データ間のべクトル距離（例えば、
後述するユークリッド距離）が近いことを意味する。

【００３４】図１０（ａ）は、本実施例のクラスタリン
グ装置が作成した未分類のＳＯＭの一例を示したもので
ある。このＳＯＭにおいて、発火セル、即ち、学習デー
タに最も近い参照データを有するセルとして選択された
セルには、発火したことを示すマーク（発火情報）を付
すことにより発火の痕跡を視覚的に示すようにする。こ
のマークは、学習データに含まれている属性データごと
に異なるマークを付すようにして、視覚的に発火セルや
その発火セルが割り当てられた学習データに含まれてい
る属性データを把握できるようにする。

【００３５】１つのセルに複数の学習データによる発火
が生じる場合もある。その場合は、発火回数が累積的に
計数される。また、１つのセルに異なる属性データを有
する２つ以上の学習データによる発火があった場合は、
そのセルには両方の属性による発火が生じたことがわか
るようにしておく。

【００３６】図１０（ａ）では「＋」「−」「±」
「０」のマーク（発火情報）があるが、「＋」が付され
たセルは「＋」の属性データを有する学習データだけが
そのセルに発火したことを示し、「−」が付されたセル
は「−」の属性データを有する学習データだけがそのセ
ルに発火したことを示している（セルの発火回数は複数
回であってもよい）。また「±」が付されたセルは
「＋」の属性データを有する学習データと「−」の属性
データを有する学習データがともに少なくとも1回以上
そのセルに発火したことを示している。また「０」のマ
ークが付されたセルはいずれの属性データを有する学習
データによっても一度も発火されなかったことを示して
いる。なお、詳細は後述するが、本実施例の学習データ
に含まれる属性データは「＋」と「−」の２種類であ
る。

【００３７】距離演算部２０は、各セル間の距離を算出
する。ここで、各セル間の距離はその定義の仕方によっ
ていろいろな値を用いることができる。本実施例では距
離は以下に示す「ユークリッド距離」を用いている。セ
ル間のユークリッド距離は、隣接する２つのセルの参照
ベクトルをそれぞれ（Ｘ₁，Ｘ₂，・・・，Ｘｉ，・・・
Ｘｎ）、（Ｙ₁，Ｙ₂，・・・，Ｙｉ，・・・Ｙｎ）とす
ると、ユークリッド距離：Ｄ＝√（Σ（Ｘｉ−Ｙｉ）²）として定義される。

【００３８】ＳＯＭ上のすべてのセルについて隣接する
セル間のユークリッド距離（Ｄ）を算出する。ユークリ
ッド距離Ｄをその最大値（Ｄｍａｘ）で割ることにより
規格化（すべての距離を０〜１の範囲に収める）するよ
うにしてもよい。

【００３９】なお、距離として内積を用いる場合は、以
下に示す式により定義される距離を用いる。Ｄ＝ΣＸｉＹｉ

【００４０】距離表示部２２は、距離演算部２０で算出
したセル間の距離を視覚的に表示する。本実施例では距
離をセル間の境界線の太さに変換して表示するようにし
ている。即ち、距離が近いセル間は細い境界線で区切
り、距離が離れているセル間は太い境界線で区切るよう
にして、線の太さを見ることにより距離が判別できるよ
うにする。

【００４１】具体的に説明すると、例えば距離に応じて
４種類の線の太さに割り当てる場合は、規格化したセル
間の距離（Ｄｓ）が０≦Ｄｓ＜０．２５のときは「太さ
１」、０．２５≦Ｄｓ＜０．５のときは「太さ２」、
０．５≦Ｄｓ＜０．７５のときは「太さ３」、０．７５
≦Ｄｓ≦１のときは「太さ４」として各セル間の境界線
の太さを選択する。

【００４２】なお、距離の規格化の方法は、必ずしも最
大値で割ることに限られない。平均値で割ったり、中間
値で割ったりして規格化してもよい。

【００４３】図１１（ａ）は、セル間の距離を境界線の
太さにより視覚的に表示したときのＳＯＭの状態を示し
た図である。境界線の太さによりＳＯＭ上のセル間の距
離の遠近を把握することができるようになっている。

【００４４】分類部２４は、ＳＯＭ作成部１８によって
作成された未分類のＳＯＭに対して、属性データを用い
て統計的な数値計算（後述する効率の計算）を実行して
自動的にクラスタリングを行い、クラスタリングの結果
をＳＯＭ上で境界として仕切る（色分けする。境界で仕
切られた塊をクラスタという。）ようにして出力装置１
４に表示させる。ここで実行される自動分類アルゴリズ
ムについては後述する。

【００４５】対照表表示部２６は、分類部２４（又は後
述するクラスタ調整部３０）によりＳＯＭがクラスタリ
ングされたときの、クラスタごとのセル数、各クラスタ
のセルに割り付けられている学習データが有する属性デ
ータごとの合計発火回数、を表形式でまとめた対照表を
表示する。図８は対照表の構成を示す説明図である。本
実施例ではクラスタの種類は「クラス１」、「クラス
２」の２つがある。なお、クラス１、クラス２の他にク
ラスタの種類が未確定であって定義されていないセルの
ための「未定義」のセル数、「未定義」のセルの属性デ
ータごとの発火回数を同時に表示するようにしている。

【００４６】合計発火回数の計算は属性データごと、例
えば本実施例では「＋」「−」の２つに分けて行われ
る。例えばクラス１に定義されるある1つのセルが
「＋」の属性データを有する学習データ２つと「−」の
属性データを有する学習データ３つとに発火していた場
合には、クラス１の「＋」に２カウント、クラス１の
「−」に３カウントがなされる。このような計算をすべ
てのセルに対して行い、その合計数が対照表に表示され
る。

【００４７】判別特性値表示部２８は、発火情報に基づ
いて、後述する効率、感度、特異度、ＦＮＲ、ＦＰＲ、
などの判別特性値を計算して表示する。これらの判別特
性値はクラスタの境界を調整する際に参考にすることが
できる統計的な情報である。

【００４８】クラスタ調整部３０は、分類部２４により
クラスタリングがなされた後のＳＯＭに対して手動によ
り任意にクラスタの境界を変更する際に、これに連動し
て判別特性値表示部２８により算出される判別特性値を
再計算して表示する。換言すれば、この判別特性値の計
算結果を参照しながらクラスタの境界を任意に変更でき
るようになっている。そしてクラスタ調整後のＳＯＭが
表示される。

【００４９】このように、ＳＯＭ作成部１８、分類部２
４、クラスタ調整部３０では、それぞれ内容が異なるＳ
ＯＭが作成されるので、以下の説明においてＳＯＭを区
別する必要があるときは、ＳＯＭ作成部１８により作
成された状態のＳＯＭ（クラスタリングがなされていな
い未分類のＳＯＭ）を「一次ＳＯＭ」、自動分類部２
４によりクラスタリングされたのみの状態のＳＯＭを
「二次ＳＯＭ」、クラスタ調整部３０によりクラスタ
の境界を任意に設定した後のＳＯＭを「三次ＳＯＭ」と
呼ぶことにより、便宜上、区別することとする。

【００５０】これらのＳＯＭは、逐次マップＤＢ３８に
格納するようにしておけば必要なときに取り出すことが
できる。

【００５１】未知データ読込部３２は、評価対象となる
未知データを読み込む。この未知データは未知データＤ
Ｂ４０から取り込まれてもよいし、入力装置１２から入
力されてもよい。

【００５２】評価決定部３４は、未知データ読込部３２
から読み込まれた未知データに対し、二次ＳＯＭ又は三
次ＳＯＭを用いて発火セルを求めることにより、当該未
知データがいずれのクラスタに定義されるかを評価決定
する。

【００５３】クラスタリング装置による処理の流れの概
要次に、本実施例のクラスタリング装置１０による処理の
流れの概要について説明する。図２はクラスタリング装
置１０により行われる典型的な処理の流れを説明するフ
ロー図である。

【００５４】（ｓｔ１０１）まず、学習データ読込部１
６が属性データと３次元ベクトルデータとからなる学習
データを読み込み、ｓｔ１０２に進む。（ｓｔ１０２）ＳＯＭ作成部１８は、学習データ読込部
１６から３次元ベクトルデータを１つずつ取り出し、Ｓ
ＯＭ学習アルゴリズムを繰り返し実行し、ｓｔ１０３に
進む。

【００５５】（ｓｔ１０３）ＳＯＭ作成部１８は、全３
次元ベクトルデータに対してＳＯＭ学習アルゴリズムを
実行した結果に基づいて、各セルに参照データを割り付
けるとともに、属性データを参照して各セルに発火情報
を示すマークを付した一次ＳＯＭ（未分類のＳＯＭ）を
作成し、ｓｔ１０４に進む。（ｓｔ１０４）距離演算部２０は、各セルに割り付けら
れた参照データを用いて隣接するセル間の距離を計算
し、ｓｔ１０５に進む。

【００５６】（ｓｔ１０５）距離表示部２２は、距離演
算部２０による距離の計算結果に基づいて、セル間の境
界線の太さを選択し、一次ＳＯＭ上に表示する。続いて
クラスタリングを始めるときにはｓｔ１０６に進む。（ｓｔ１０６）分類部２４は、後述する自動分類アルゴ
リズムを実行し、ｓｔ１０７に進む。（ｓｔ１０７）分類部２４は、自動分類アルゴリズムの
結果に基づいて各セルをクラスタリングし、クラスタご
とに（色分け等により）識別できるようにした二次ＳＯ
Ｍを作成する。判別特性値表示部２８は、判別特性値を
計算し、出力装置１４に表示させる。続いてクラスタ調
整を実行するときはｓｔ１０８に進む。未知データに対
する評価を実行するときにはｓｔ１１０に進む。（ｓｔ１０８）クラスタ調整部３０は、二次ＳＯＭに対
してクラスタの境界の調整を受け付ける。判別特性値表
示部２８は、クラスタの境界の調整が行なわれると判別
特性値を再計算し、出力装置１４に表示させる。（ｓｔ１０９）クラスタ調整部３０は、判別特性値に基
づいてクラスタの境界を任意に設定した三次ＳＯＭを作
成する。続いて未知データを評価するときはｓｔ１１０
に進む。

【００５７】（ｓｔ１１０）未知データ読込部３２は未
知データを読み込み、ｓｔ１１１に進む。（ｓｔ１１１）評価決定部３４は、二次ＳＯＭ又は三次
ＳＯＭを用いて評価対象である未知データについての発
火セルを検索し、発火セルを決定してｓｔ１１２に進
む。（ｓｔ１１２）評価決定部３４は、発火セルが含まれる
クラスタに基づいて当該未知データの属性を決定する。

【００５８】クラスタリング装置による処理の流れの詳
細次に、本実施例のクラスタリング装置１０の処理の流れ
の詳細について血液検査データを学習データの対象とし
た実施例を用いて順次説明する。

【００５９】学習データの作成例（取り違いデータお
よび正常データの作成例）クラスタリング装置１０に用いられる学習データ群の一
例を図７に示す。図に見られるように学習データ群は、
データの種類を表す「属性データ」、３つの数値の組
（ＭＣＶ値、ＭＣＨ値、ＭＣＨＣ値を０〜１の値に規格
化した値）からなる「３次元ベクトルデータ」、の対を
１単位とするデータが多数集まって（本実施例では４５
００個のデータ）構成されている。図７はその一部を示
したものである。

【００６０】本実施例では、一次ＳＯＭ上のセルを２つ
のクラスタに定義するので、属性データの欄には２つの
異なる種類からなる属性データ（「＋」と「−」）が与
えられる。ＳＯＭ上のセルを３つのクラスタに定義する
ときは属性データの欄に３つの異なる種類からなる属性
データ（例えば「Ａ」と「Ｂ」と「Ｃ」）が与えられ
る。この属性データは、一般的には他の既知の方法で調
べた属性データが与えられる。３次元ベクトルデータ
は、既述したようにＳＯＭ学習アルゴリズムによりＳＯ
Ｍの各セルに割り付ける参照データを求めるために用い
るものである。

【００６１】ここでは、血液検査データの「検体取り違
い判定」へのクラスタリング装置の応用を例として示
す。そのため、「検体取り違い」の判定に適した独自の
手法による学習データの作成例について図６を用いて説
明する。なお、「検体取り違い判定」とは、ある被験者
Ａの血液検査データを他人Ｂの血液検査データと取り違
えたか否かを判定することを意味する。

【００６２】本実施例の検体取り違い判定では、以前の
検査結果である前回値データと今回の検査結果である今
回値データとの双方のデータを有する３０００名の患者
の血液検査データを用いる。図６に示すように、３００
０名の検査データ番号をそれぞれＳ₁からＳ₃₀₀₀とし、
Ｓ₁についての前回値データをＳ_1a、今回値データをＳ
_1b、同様にＳ_2a、Ｓ₂ _b、・・・Ｓ_ma、Ｓ_mb、・・・
Ｓ_na、Ｓ_nb、・・・、Ｓ_3000a、Ｓ_3000bと呼ぶ。データ
Ｓ_1a、Ｓ_1b、Ｓ_ma、Ｓ_mb、・・・等はＭＣＶ（平均赤血
球容積）、ＭＣＨ（平均赤血球ヘモグロビン量）、ＭＣ
ＨＣ（平均赤血球ヘモグロビン濃度）からなる３つの検
査項目の数値を０〜１の値に規格化した値の組で構成さ
れる３次元ベクトルデータである。

【００６３】そして、Ｓ₁からＳ₃₀₀₀までのそれぞれに
ついて、今回値と前回値との差であるＳ_1b-Ｓ_1a、Ｓ_mb
−Ｓ_ma、Ｓ_3000b−Ｓ_3000aを計算して、計３０００個の
データ（３次元ベクトルデータ）を作成する。但し、ベ
クトルデータ中の各成分は絶対値をとる。このようにし
て作成した３０００個のデータは、検体の取り違えのな
い「正常データ」の属性に含まれるものとして扱われ
る。この正常データには「−」の属性データを結合させ
る。

【００６４】続いて、Ｓ₁からＳ₃₀₀₀の３０００個のデ
ータから１５００個の対を形成する。例えば検査データ
Ｓｍ、Ｓｎとが対になったとする。この場合、Ｓｍの前
回値とＳｎの今回値とを用い、Ｓ_nb−Ｓ_maを、Ｓｍの今
回値とＳｎの前回値とを用い、Ｓ_mb−Ｓ_naを計算する。
残りの１４９９個の対についても同様の計算をする。こ
のようにして３０００個のデータ（３次元データ）が作
成される。

【００６５】これらの３０００個のデータは、取り違い
が発生した「取り違いデータ」の属性に含まれるものと
して扱われる。この取り違いデータには「＋」の属性デ
ータを結合させる。

【００６６】続いて、先に示した３０００個の正常デー
タと後に示した３０００個の取り違いデータとを混合し
て６０００個のデータの集合体を形成する。そして、６
０００個のデータの中から不作為に４５００個のデータ
（正常データ２２５０個、取り違いデータ２２５０個）
を選択する。この４５００個のデータを一次ＳＯＭ作成
用の学習データとして用いる（残りの１５００個のデー
タは評価用の未知データとしてクラスタリング装置１０
の性能確認用に用いることにしている）。

【００６７】このようにして作成された学習データは、
取り違いデータ（「＋」）であるか正常データ
（「−」）であるかという属性データを人為的に作り出
し、作り出した属性データを属性データ欄に付すように
して取り違い判定のための学習データとしたものであ
る。

【００６８】先に説明した図７の学習データはこのよう
にして作成した４５００個のデータの一部を示したもの
であり、図７の属性データ欄の「＋」は取り違いデー
タ、「−」は正常データを示したものである。なお、図
７に見られるＭＣＶ値、ＭＣＨ値、ＭＣＨＣ値の各数値
は、それぞれの項目における最大値が１となるように規
格化したものである。

【００６９】ＳＯＭ学習アルゴリズムの実行ＳＯＭ作成部１８は、ＳＯＭ学習アルゴリズムを実行す
る。ＳＯＭ学習アルゴリズムについては既述しているた
め、説明を省略する。なお、３次元ベクトルデータとし
て、図７にその一部が示されている３次元ベクトルデー
タ（ＭＣＶ値、ＭＣＨ値、ＭＣＨＣ値）が用いられる。

【００７０】ＳＯＭ学習アルゴリズムの実行が終了する
と、１０２４個のセルに合計４５００回の発火が生じる
ので、セルによっては複数回の発火が生じることにな
る。各セルには発火情報として属性データとともにその
セルの発火回数が属性データの種類ごとに記憶される。

【００７１】一次ＳＯＭ（未分類のＳＯＭ）の表示上記ＳＯＭ学習アルゴリズムの実行によって作成した一
次ＳＯＭが既に説明した図１０（ａ）である。すべての
セルに発火情報として「＋」「−」「±」「０」のいず
れかが付されている。

【００７２】このときの対照表を図１０（ｂ）に示す。
いずれのセルもまだクラスタが定義されていないので、
すべてのセル（１０２４個）が「未定義」となってい
る。そして１０２４個の未定義のセルは「＋」の属性デ
ータを有する学習データに２２５０回、「−」の属性デ
ータを有する学習データに２２５０回発火したことを示
している。

【００７３】セル間距離の視覚化図１１は、セル間の距離を境界線の太さにより視覚的に
表示したときの一次ＳＯＭの状態を示した図である。境
界線の太さによりＳＯＭ上にあるセル間の距離の遠近が
把握できるようになっている。境界線の作成は距離表示
部２２が行う。セル間距離の視覚化は、二次ＳＯＭ、三
次ＳＯＭにおいて同様に表示してもよい。

【００７４】自動分類アルゴリズムの実行による二次
ＳＯＭの作成次に、クラスタリングを説明する。クラスタリングは、
分類部２４が行う。図９はクラスタリングの動作を説明
するフロー図である。また、図１２から図２２はクラス
タリングの動作途中の状態を説明するＳＯＭ、対照表、
判別特性値の表示画面を説明する図である。なお、実際
はＳＯＭと同時に対照表や判別特性値が常時表示されて
いるのであるが、説明の便宜上必要な状態のみを図に示
す。

【００７５】本実施例では、「＋」（取り違いデータ）
と「−」（正常データ）との２種類の属性データを有す
る学習データを用いているので、ＳＯＭはクラスタリン
グにより２つのクラスタを定義することができればよい
ことになる。今、クラスタリングにより作成される２つ
のクラスタを「クラス１」（画面上では赤で示す）、
「クラス２」（画面上では青で示す）と呼ぶこととし、
クラス１は「＋」の属性データ（即ち、取り違いデー
タ）を有する学習データが本来集まるクラスタ、クラス
２は「−」の属性データ（即ち正常データ）を有する学
習データが本来集まるクラスタであるとする。

【００７６】まず、１つのクラスタを選択する。ここで
はクラス１を選択する（ｓｔ２０１）。クラスタが未定
義であるすべてのセル（最初はすべてのセルが未定義）
をクラス１（赤）に属するものと仮設定する（ｓｔ２０
２）。図１２（ａ）（ｂ）は、すべてのセルを「クラス
１」にした（すべてのセルが赤になる）状態のＳＯＭお
よび対照表を示している。

【００７７】クラス１に属するすべてのセルについて、
そのセルの近傍セルが「＋」の属性データを有する学習
データに発火した回数と「＋」及び「−」の属性データ
を有する学習データに発火した回数（本実施例では近傍
セルの合計発火回数）とを求め、その割合（選択割合と
いう）を算出する。ここで近傍セルとは例えば１つのセ
ルを中心とした周囲１枡以内に含まれるセルとして定義
することができる（ｓｔ２０３）。

【００７８】選択割合が最も小さいセルをクラス１から
外す（ｓｔ２０４）。図１３（ａ）はＳＯＭにおける座
標（２３，２８)のセルが「クラス１」（赤）から外れ
て「未定義」（白）となった状態を示している。図１３
（ｂ）はこのときの対照表を示したものである。未定義
の座標（２３，２８)のセルには「−」属性の発火回数が
５回、「＋」属性の発火回数が０回であったことがわか
る。

【００７９】次に、以下の（１）式に定義する「効率」
（判別特性値の一例）を算出し、そのときのセルの状態
とともに記憶する（ｓｔ２０５）。効率は正しくクラス
タリングされた割合を意味することになる。効率：（TP+TN）／（TP+TN+FP+FN）・・・・・・・（１）式ＴＰ（True Positive）：選択されたクラスタ（ここで
はクラス１）に属するセルが、選択されたクラスタが本
来有する属性データを持つ学習データ（ここでの属性デ
ータは「＋」）によって発火した回数。ＴＮ（True Ne
gative）：選択されていないクラスタ（ここでは「クラ
ス２」および「未定義」）に属するセルが、選択された
クラスタが本来有しない属性データを持つ学習データ
（ここでの属性データは「−」）によって発火した回
数。ＦＰ（fault Positive）：選択されていないクラ
スタ（ここでは「クラス２」および「未定義」）に属す
るセルが、選択されたクラスタが本来有する属性データ
を持つ学習データ（ここでの属性データは「＋」）によ
って発火した回数。ＦＮ（fault Negative）：選択さ
れたクラスタ（ここでは「クラス１」）に属するセル
が、選択されたクラスタが本来有しない属性データを持
つ学習データ（ここでの属性データは「−」）によって
発火した回数。

【００８０】ｓｔ２０３からｓｔ２０５の工程をクラス
１に属するセルがすべてなくなるまで繰り返す（ｓｔ２
０６）。図１４、図１５はセルが順次「クラス１」から
「未定義」に変化する様子を示している。

【００８１】また、図１６（ａ）はすべてのセルが「ク
ラス１」から「未定義」に変化した状態を示している。
図１６（ｂ）はこのときの対照表を示したものであり、
１０２４個のセルすべてが「未定義」であり、未定義の
セルは「＋」の属性データを有する学習データによる発
火回数が２２５０回、「−」の属性データを有する学習
データによる発火回数が２２５０回であることを示して
いる。

【００８２】続いて、記憶した「効率」データから「効
率」最大のときのデータを探し、「効率」最大となった
とき、「クラス１」に定義されるセルを「クラス１」と
決定する（ｓｔ２０７、ｓｔ２０８）。

【００８３】図１７（ａ）は、「効率」最大の状態を求
めて「クラス１」を決定したときのＳＯＭを示した図で
ある。「クラス１」に決定されたセルは赤く塗られ、残
りのセルは「未定義」であるため白にしてある。

【００８４】図１７（ｂ）は、このときの対照表を示し
ている。この例では５９７個のセルが「クラス１」に定
義されている。「クラス１」に含まれるセルは、「＋」
の属性データを持つ学習データによる発火回数が１９９
７回、「−」の属性データを持つ学習データによる発火
回数が４２４回である。なお「クラス１」に定義されて
いない残りの４２７個のセルは「未定義」である。

【００８５】このときの効率の計算例を以下に示す。ＴＰ：１９９７ＴＮ：１８２６ＦＰ：２５３ＦＮ：４２４効率：（TP+TN）／（TP+TN+FP+FN）＝（１９９７＋１８
２６）／（１９９７＋１８２６＋２５３＋４２４）＝
０．８４９６

【００８６】次に、すべてのクラスタが定義されている
かを確認する（ｓｔ２０９）。すべてのクラスタが定義
済みであれば終了する。今の例ではクラス２については
未定義であるので、ｓｔ２０２に戻り、同様の演算を繰
り返す。

【００８７】今度はクラス２を選択する（ｓｔ２１
０）。クラスタ未定義の残り４２７個すべてのセル（即
ち「クラス１」として決定した５９７個のセル以外のセ
ル）をクラス２（青）のクラスタに属するものと仮設定
する（２順目ｓｔ２０２）。

【００８８】以下、ｓｔ２０３〜ｓｔ２０６の動作を繰
り返していく。図１８（ａ）（ｂ）は、４２７個すべて
のセルを「クラス２」にした（「クラス１」の５９７個
のセルが赤、残りの４２７個のセルが青になる）状態の
ＳＯＭ画面および対照表を示している。

【００８９】図１９（ａ）（ｂ）は、選択割合が最も小
さいセルを「クラス２」から外した状態を示している
（２順目ｓｔ２０４）。すなわち、ＳＯＭにおける座標
（１３，１６）のセルが「クラス２」（青）のクラスタ
から外れて「未定義」（白）となった状態を示してい
る。図１９（ｂ）はこのときの対照表を示したものであ
る。未定義の座標（１３，１６）のセルには「−」の属
性データを有する学習データによる発火回数が０回、
「＋」の属性データを有する学習データによる発火回数
が１回であったことがわかる。

【００９０】図２０はセルのクラスタが順次「クラス
２」から「未定義」に変化する様子の一場面を示してい
る。また、図２１（ａ）は４２７個のセルのクラスタが
「クラス２」から「未定義」に変化した状態を示してい
る。図２１（ｂ）はこのときの対照表を示したものであ
り、４２７個のセルが「未定義」であり、未定義のセル
は「＋」の属性データを持つ学習データによる発火回数
が２５３回、「−」の属性データを持つ学習データによ
る発火回数が１８２６回であることを示している。

【００９１】図２２（ａ）は、「効率」最大の状態を求
めて「クラス２」を決定したときのＳＯＭを示した図で
ある。既に「クラス１」に決定されてあるセルは赤く塗
られ、今回「クラス２」に決定したセルは青く塗られて
いる。図２２（ｂ）は、このときの対照表を示してい
る。この例では４２７個のセルが「クラス２」に定義さ
れている。「クラス２」に含まれるセルは、「＋」の属
性データを持つ学習データによる発火回数が２５３回、
「−」の属性データを持つ学習データによる発火回数が
１８２６回である。

【００９２】なお、この例では４２７個のセルが「クラ
ス２」に定義された場合の効率が最大となったためSOM
上の全てのセルがいずれかのクラスタに定義されたが、
必ずしもSOM上の全てのセルがいずれかのクラスタに定
義された場合の効率が最大となるとは限らない。この場
合は、未定義のセルが残ることとなる。未定義のセル
は、再度自動分類のアルゴリズムを実行することや、後
述するクラスタ調整によって、いずれかのクラスタに定
義される。

【００９３】以上の処理により、図２２（ａ）に見られ
るような二次ＳＯＭ、即ち一次ＳＯＭに自動分類アルゴ
リズムによって発火情報に基づいた統計的な裏付けの元
でクラスタリングがなされたＳＯＭが作成される。

【００９４】クラスタ調整による三次ＳＯＭの作成と
判別特性値の表示次に、自動分類アルゴリズムによりクラスタを決定した
二次ＳＯＭについて、「判別特性値」を参照しながら任
意にクラスタを調整することによって得られる三次ＳＯ
Ｍについて説明する。「判別特性値」の表示は、クラス
タ調整部３０が行う。ここで用いられる判別特性値の１
つとしては、上述した「効率」が用いられる。

【００９５】また、「感度（True Positive Rati
o）」、「特異度(True Negative Ratio）」、「ＦＰ
Ｒ(Fault Positive Ratio）」、「ＦＮＲ(Fault Neg
ative Ratio）」の４つの値も判別特性値として用いる
ことができる。

【００９６】ここで、感度、特異度、ＦＰＲ、ＦＮＲは
以下の式で定義される。感度＝（「クラス１」に定義されるセルが「＋」の属性データを持つ学習データによって発火した回数）／（「クラス１」に定義されるセル全体の発火回数）・・・（２）特異度＝（「クラス２」に定義されるセルが「−」の属性データを持つ学習データによって発火した回数）／（「クラス２」に定義されるセル全体の発火回数）・・・（３）ＦＰＲ＝（「クラス１」に定義されるセルが「−」の属性データを持つ学習データによって発火した回数）／（「クラス１」に定義されるセル全体の発火回数）・・・（４）ＦＮＲ＝（「クラス２」に定義されるセルが「＋」の属性データを持つ学習データによって発火した回数）／（「クラス２」に定義されるセル全体の発火回数）・・・（５）

【００９７】作成された二次ＳＯＭ上のセルを指定し、
入力装置１２によってクラスタを変更する指示を行うこ
とにより、当該セルのクラスタが変更され、任意にクラ
スタリングを行った三次ＳＯＭが得られる。例えば自動
分類アルゴリズムの実行によるクラスタリングにより
「クラス１」（赤）に定義されていたセルについて「ク
ラス２」にクラスタを変更することができる。このと
き、上述した効率、感度、特異度、ＦＰＲ、ＦＮＲが再
計算されて、画面に表示される。

【００９８】この状態を図２２と図２３とを用いて説明
する。図２２（ａ）は上述したように自動分類アルゴリ
ズムにより作成された二次ＳＯＭであり、図２３（ａ）
は二次ＳＯＭを元にして任意にクラスタ調整した三次Ｓ
ＯＭである。図２２（ｂ）、図２３（ｂ）はそれぞれ対
応する対照表であり、図２２（ｃ）、図２３（ｃ）は判
別特性値である。図に見られるようにクラスタを調整す
ることよって対照表の値が連動して変化するとともに、
判別特性値も変化する。

【００９９】クラスタリング装置の操作者は、ＳＯＭ上
に表示されている発火情報を示すマークとともに、この
判別特性値、さらには距離表示部により作成された距離
表示を参考にしてクラスタを任意に調整していく。この
ようにして最終的にクラスタが決定された三次ＳＯＭが
完成する。

【０１００】未知データの作成および評価次に、未知データの作成および作成した二次ＳＯＭ又は
三次ＳＯＭを用いて未知データについてどのクラスタに
属するかを判定する手順を説明する。まず、任意の２つ
の血液検査データを準備する。本実施例では、この２つ
の血液検査データが同一被験者のものか別の被験者のも
のかを判定することができる。そして、２つの血液検査
データから学習データの作成例で示した方法と同様の
方法で「３次元ベクトルデータ」を作成する。この「３
次元ベクトルデータ」が未知データである。次に、未知
データが未知データ読込部３２によって読み込まれる
と、参照データのなかから当該未知データと最も近い参
照データを有するセルを検索する。

【０１０１】図２４はこのときの状態を説明する図であ
る。検索の結果、図に示すように未知データに最も類似
する参照データを有しているセルとして座標（６，９）
のセルが発火したとする。このとき、座標（６，９）の
セルのクラスタがいずれであるかを調べる。今の場合座
標（６，９）のセルは「クラス１」に定義されているの
で、当該未知データは「クラス１」に属するデータであ
ることがわかる。

【０１０２】「クラス１」は、本来取り違いデータが集
まるクラスタであるので、この未知データは取違いデー
タであった可能性が高いと判断することができる。

【０１０３】なお、別の観点から、上述した発明のクラ
スタリング装置を実現するためのコンピュータプログラ
ム、あるいはコンピュータプログラムを記録した媒体と
して本発明を実施するようにしてもよい。この場合は、
入力装置１２からコンピュータプログラムを読み込むこ
とにより本発明のクラスタリング装置を実現することが
できる。

【０１０４】

【発明の効果】以上のように、本発明によれば、信頼性
の高いクラスタリングができるように改良したクラスタ
リング装置が提供される。具体的には、本発明によって
以下の３点が可能となったため、信頼性の高いクラスタ
リング装置が提供される。セル間の距離を視覚的に把握することができる。ＳＯＭの技術において、学習データが有する属性デー
タを統計的に考慮したクラスタリングを行うことができ
る。ＳＯＭの技術において、クラスタリング装置の操作者
が、判別特性値を参照しながらクラスタの調整を行うこ
とができる。

【図面の簡単な説明】

【図１】本発明の一実施例であるクラスタリング装置の
構成を示すブロック図。

【図２】本発明の一実施例であるクラスタリング装置に
より実行される処理の流れの一例を示すフロー図。

【図３】ＳＯＭ学習アルゴリズムによる学習過程を説明
する図。

【図４】ＳＯＭ上のセルに割り付けられる参照データを
説明する図。

【図５】ＳＯＭ学習アルゴリズムで用いられる学習デー
タを説明する図。

【図６】本発明の一実施例であるクラスタリング装置で
用いる学習データの作成例（取違い判定用の学習デー
タ）を説明する図。

【図７】本発明の一実施例であるクラスタリング装置で
用いる学習データの例を示す図。

【図８】対照表を説明する図。

【図９】自動分類アルゴリズムによる処理の流れの一例
を示すフロー図。

【図１０】ＳＯＭの表示例を示す図（未分類のＳＯ
Ｍ）。

【図１１】ＳＯＭの例を示す図（未分類のＳＯＭに距離
表示を加えた状態）。

【図１２】ＳＯＭの表示例を示す図（自動分類のために
全セルを「クラス１」に仮設定した状態）。

【図１３】ＳＯＭの表示例を示す図（図１２から１つの
セルを未定義にした状態）。

【図１４】ＳＯＭの表示例を示す図（図１３からさらに
未定義セルを増加した状態）。

【図１５】ＳＯＭの表示例を示す図（図１４からさらに
未定義セルを増加した状態）。

【図１６】ＳＯＭの表示例を示す図（全セルを未定義セ
ルにした状態）。

【図１７】ＳＯＭの表示例を示す図（「クラス１」に属
するセルを決定した状態）。

【図１８】ＳＯＭの表示例を示す図（残りの全セルを
「クラス２」に仮設定した状態）。

【図１９】ＳＯＭの表示例を示す図（図１８から１つの
セルを未定義にした状態）。

【図２０】ＳＯＭの表示例を示す図（図１９からさらに
未定義セルを増加した状態）。

【図２１】ＳＯＭの表示例を示す図（残りの全セルを未
定義セルにした状態）。

【図２２】ＳＯＭの表示例を示す図（自動分類により全
セルの分類を決定した状態）。

【図２３】ＳＯＭの表示例を示す図（図２２からセルの
分類を調整した状態）。

【図２４】ＳＯＭの表示例を示す図（図２３において未
知データを発火させた状態）。

【符号の説明】

１：ＳＯＭ（自己組織化マップ）２：セル１２：入力装置１０：クラスタリング装置１２：入力装置１４：出力装置１６：学習データ読込部１８：ＳＯＭ作成部２０：距離演算部２２：距離表示部２４：自動分類部２６：対照表示部２８：判別特性値表示部３０：クラスタ調整部３２：未知データ読込部３４：評価決定部３６：学習データＤＢ（データベース）３８：マップＤＢ（データベース）４０：未知データＤＢ（データベース）

───────────────────────────────────────────────────── フロントページの続き (72)発明者金井一之神戸市中央区脇浜海岸通１丁目５番１号シスメックス株式会社内

Claims

【特許請求の範囲】

【請求項１】数値の組からなる「ベクトルデータ」を
含んだ「学習データ」が読み込まれる学習データ読込部
と、学習データ読込部で読み込まれた複数の学習データをも
とにして、２次元面上に規則的に配列された「セル」に
位置情報が割り付けられたマップを作成するマップ作成
部と、割り付けられた位置情報にもとづいてマップ上の各セル
間の「距離」を算出する距離演算部と、マップ上に距離演算部で算出された距離を視覚的に表示
するための距離表示部を設けたことを特徴とするクラス
タリング装置。
【請求項２】距離表示部は、セル間の距離を境界線の
「太さ」又は「線種」又はセルの「色」により表示する
ことを特徴とする請求項１に記載のクラスタリング装
置。
【請求項３】セル間の距離は「ユークリッド距離」又
は「内積」により算出されることを特徴とする請求項１
に記載のクラスタリング装置。
【請求項４】マップ作成部は「ＳＯＭ学習アルゴリズ
ム」に基づく学習を行うことにより「ＳＯＭ」を作成す
ることを特徴とする請求項１に記載のクラスタリング装
置。
【請求項５】数値の組からなる「ベクトルデータ」と
データの種類に関する情報である「属性データ」とを含
んだ「学習データ」が読み込まれる学習データ読込部
と、学習データ読込部で読み込まれた複数の学習データに対
して「ＳＯＭ学習アルゴリズム」に基づく学習を行うこ
とにより、２次元面上に規則的に配列された「セル」に
対してセルごとに「ベクトルデータ」と同次元のベクト
ルデータからなる「参照データ」が割り付けられるとと
もに、１つの学習データごとに１つのセルを「発火セ
ル」と定めてこの発火セルに当該学習データに含まれる
属性データと関連付けた「発火情報」が割り付けられた
ＳＯＭを作成するＳＯＭ作成部と、ＳＯＭ上の各セルに
対し、セルに割り付けられた発火情報に基づいて各セル
の「クラスタ」を決定する分類部とを備えたことを特徴
とするクラスタリング装置。
【請求項６】クラスタリング装置は、セルの発火情報
とセルのクラスタとの関係を示す「対照表」を表示する
対照表表示部をさらに備えたことを特徴とする請求項５
に記載のクラスタリング装置。
【請求項７】クラスタリング装置は、セルの発火回数
に基づいて算出される「判別特性値」を表示する判別特
性値表示部をさらに備えたことを特徴とする請求項５に
記載のクラスタリング装置。
【請求項８】クラスタリング装置は、分類部が決定し
たセルのクラスタを調整するためのクラスタ調整部をさ
らに備え、判別特性値表示部はクラスタ調整部によるク
ラスタの調整に連動して判別特性値を更新することを特
徴とする請求項７に記載のクラスタリング装置。
【請求項９】（a)数値の組からなる「ベクトルデー
タ」とデータの種類に関する情報である「属性データ」
とを含んだ複数の「学習データ」を読み込み、(b)読み
込んだ複数の学習データに対して「ＳＯＭ学習アルゴリ
ズム」に基づく学習を行うことにより、２次元面上に規
則的に配列された「セル」に対してセルごとに「ベクト
ルデータ」と同次元のベクトルデータからなる「参照デ
ータ」を割り付けるとともに、１つの学習データごとに
１つのセルを「発火セル」と定めてこの発火セルに当該
学習データに含まれる属性データと関連付けた「発火情
報」を割り付けたＳＯＭを作成し、(c)セルごとに割り
付けた参照データにもとづいて算出されるセル間の「距
離」を算出し、(d)セルごとの発火回数にもとづいて算
出される「判別特性値」を算出し、(e)ＳＯＭ上の各セ
ルに対し、少なくとも「距離」又は「判別特性値」のい
ずれかに基づいて各セルの「クラスタ」を決定してクラ
スタリングすることを特徴とするクラスタリング方法。
【請求項１０】判別特性値には「効率」「感度」「Ｆ
ＮＲ」「ＦＰＲ」「特異度」のいずれかが含まれること
を特徴とする請求項９に記載のクラスタリング方法。