JPH06139073A - 決定木形式の診断知識を用いた診断装置 - Google Patents

Abstract

(57)【要約】 【目的】 診断コストを削減するべく不要な診断を排除
したために生じる診断の未観測部分を有する診断事例に
対しても、学習アルゴリズムを適用して診断順序を最適
化できる決定木再構成方式を用いた診断装置を提供す
る。 【構成】 決定木の形式で定義された診断系列の決定木
データを蓄積する決定木データメモリ１１と、診断事例
データを蓄積する診断事例データメモリ１４と、メモリ
１１からの決定木データより各属性の有する属性値の取
り得る値域を求め、メモリ１４からの診断事例データを
参照し、抽出した診断系列内で属性値の定まっていない
未診断の属性が存在する場合はこの属性について上述の
求めた値域内で等確率分布させることにより属性値を決
定することによって、未知の属性値が存在しない診断系
列を学習データとして出力する学習データ生成処理部１
６ａと、学習データ生成処理部１６ａからの学習データ
に対して学習アルゴリズムを適用して新たな決定木を再
構成する決定木生成処理部１６ｂとを備えている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えば通信システム、
医療システム、及びプラントシステム等の診断作業を決
定木形式の診断知識を用いて行う診断装置に関する。

【０００２】

【従来の技術】機械装置の故障等の診断作業を専門家の
知識を利用して支援する診断装置（診断型エキスパート
システム）は、既に実用化されている。診断知識を決定
木の形式で構成したこの種の診断装置の従来例が図８に
概略的に示されている。

【０００３】同図において８０は端末装置であり、この
端末装置８０から例えば診断の要求が入力されると、診
断装置は以下の診断動作を実施する。まず、この端末装
置８０から会話形式によって診断に必要な情報を受取
り、決定木データメモリ８１に格納されている決定木を
参照して診断を行い、その結論を端末装置８０へ報告す
る。さらに、その診断の過程を診断事例データとして診
断事例データメモリ８４に保存し、端末装置８０から表
示要求があればその診断事例を履歴管理部８５を介して
表示する。

【０００４】イベント解析部８２は、端末装置８０と本
装置所要の処理部である履歴管理部８５及び推論制御部
８３との間のデータの授受を制御し、端末装置８０から
推論の要求を受け取ったら推論制御部８３にそのデータ
をわたす。推論制御部８３は、決定木データメモリ８１
に格納されている決定木を参照して最適な診断を選択す
る。履歴管理部８５は、診断が終了すると診断の観測値
と結論を診断事例データとして診断事例データメモリ８
４に保存し、診断事例の表示要求があればその診断事例
を出力する。

【０００５】決定木は決定木生成部８６によって生成さ
れる。決定木生成部８６は、診断事例データメモリ８４
に格納されている診断事例を入力とし、それから決定木
を生成して、決定木データメモリ８１に格納する。ただ
しこの決定木生成部８６は、診断事例全体に対しての平
均質問回数を最小にする決定木を生成するために、診断
事例を構成する診断系列のすべての診断に対して観測値
を与える場合に適用可能な学習アルゴリズムからなって
いる。

【０００６】

【発明が解決しようとする課題】診断知識を決定木の形
式で「順序づけられた診断系列」として管理するこの種
の診断装置では、診断効率を向上させるために、最小限
の診断回数によって結論に達する（平均質問回数を最小
にする）ように診断順序の最適化を行うことが必要であ
る。このような診断順序の最適化を従来の学習アルゴリ
ズムを用いて行う場合、次のごとき問題が生じる。

【０００７】即ち、診断事例データメモリ８４に格納さ
れている診断事例は、例えば図９に示すように、診断の
観測値と結論との組で表される診断事例を集めたもので
あるが、各々の診断の観測値は、診断の際に決定木で順
序付られた部分的な診断系列を適用するだけで結論に達
するため、例えば事例１の診断Ｂ、Ｃ、及びＤに示すご
とく、観測値が未観測（「−」で示す）であるものをも
含んでいる。このように、診断開始から結論に至るまで
の診断系列として定義される診断事例には必ず観測値が
与えられない未診断部分が含まれることとなり、従来提
案されていた学習アルゴリズムを適用して診断順序を最
適化することができない。

【０００８】このように、診断を行った過程から得られ
た診断事例を利用して決定木再構成を自動的に行うこと
ができないので、診断装置の機能追加又は変更の過程に
おいて決定木の再構成を行うには、人手にたよるほかな
く、修正や修正試行を効率よく行うことができなかっ
た。

【０００９】従って本発明は、診断コストを削減するべ
く不要な診断を排除したために生じる診断の未観測部分
を有する診断事例に対しても、学習アルゴリズムを適用
して診断順序を最適化できる決定木再構成方式を用いた
診断装置を提供するものである。

【００１０】

【課題を解決するための手段】本発明によれば、決定木
形式の診断知識を用いて診断を行う診断装置であって、
決定木の形式で定義された診断系列の決定木データを蓄
積する第１の蓄積手段と、診断事例データを蓄積する第
２の蓄積手段と、第１の蓄積手段からの決定木データよ
り各属性の有する属性値の取り得る値域を求め、第２の
蓄積手段からの診断事例データを参照し、抽出した診断
系列内で属性値の定まっていない未診断の属性が存在す
る場合はこの属性について上述の求めた値域内で等確率
分布させることにより属性値を決定することによって、
未知の属性値が存在しない診断系列を学習データとして
出力する学習データ生成処理手段と、学習データ生成処
理手段からの学習データに対して学習アルゴリズムを適
用して新たな決定木を再構成する決定木生成処理手段と
を備えた診断装置が提供される。

【００１１】学習データ生成処理手段が、第２の蓄積手
段からの診断事例データから診断系列の発生確率を求
め、この求めた発生確率に基づいて診断系列を抽出し、
この抽出した診断系列内において前述の学習データの生
成処理を行うものであり得る。

【００１２】第１の蓄積手段からの決定木データより互
いに依存関係にある診断の部分系列を抽出し、この抽出
した部分系列を疑似診断として定義する拡張属性データ
を生成する手段と、この生成された拡張属性データを蓄
積する第３の蓄積手段と、前述の決定木生成処理手段に
より再構成された決定木の部分系列について第３の蓄積
手段からの拡張属性データを用いて展開し元の診断系列
に戻す決定木生成後処理手段とをさらに備えていてもよ
い。

【００１３】

【作用】未診断部分を持つ診断事例に対して学習アルゴ
リズムを適用するため、各事例の未診断部分の取り得る
値に関して、既知の事例から値域を求め、その範囲内で
等確率分布させた事例集合を生成する。

【００１４】また、診断順序に制約がある場合の措置と
して、診断順序を保持する診断部分系列を一つの疑似診
断として定義し、これに学習アルゴリズムを適用して診
断順序を変更し、最後に疑似診断部分を元の診断系列に
もどす。

【００１５】

【発明の原理】実施例の説明を行う前に本発明の原理に
ついて説明する。ここで用いる用語は学習アルゴリズム
を説明する際に一般に用いられるものであり、診断装置
や決定木の説明に係わる用語との対応関係は次のようで
ある。

【００１６】「属性」は、決定木における非終端ノード
に、診断の作業においては診断結果に到達するための各
診断に対応している。

【００１７】「拡張属性」は、診断順序を保持する診断
部分系列を一つの疑似診断として定義したものに対応し
ている。

【００１８】「属性名」は、各属性に付けられたユニー
クな名称であり、決定木においてはノード名に対応して
いる。

【００１９】「属性値」は、各属性の持つ値又は各診断
で得られる結果を示している。決定木においてはノード
から延びるアークと対応している。

【００２０】「終端ノード」は決定木に基づいて診断を
実施した際の診断結果と対応している。

【００２１】「クラス」は、診断結果の種類と対応して
いる。

【００２２】また、診断事例の表現は次のとおりとす
る。先ず、Ａ、Ｃを、それぞれｍ個の属性の集合｛Ａ
１，Ａ２，．．．，Ａｍ｝及びｐ個の分類クラスの集合
｛Ｃ１，Ｃ２，．．．，Ｃｐ｝とし、ある属性Ａｉの取
り得る値の集合をＲａｎｇｅ（Ａｉ）と呼ぶ。

【００２３】

【数１】

【００２４】また、本発明では、終端ノードへ到達した
回数が、診断事例の発生頻度に対応する。

【００２５】決定木の再構成 未知属性を含む診断事例の集合からの決定木の導出方法
について述べる。ここで提示するのは、ルートノードの
例題集合Ｓ０の中で、値が未定の属性に対して属性の値
域からランダムに選択した値を割り当てて新たな事例集
合を作成し、以下の手続きにより決定木を作り直す方式
である。

【００２６】（１）事例集合の生成

【数２】

【００２７】（２）決定木の生成 Ｓ０を用いて、ＩＤ３系の学習アルゴリズムにより、次
の決定木Ｔ０′を 作る。

【００２８】順序づけられた診断の部分系列属性（拡張
属性）の生成及び展開 図２は、拡張属性を使った決定木再構成の例である。こ
こでは、属性の依存関係を残したままで決定木を再構成
する方法を考える。即ち、学習アルゴリズムによる決定
木の生成時、依存関係にある属性を定義しておき、それ
を一つの拡張属性として計算すれば、診断順序が不自然
になることはなくなると考えられる。図２において、ｑ
２とｑ３とに依存関係があると仮定する。診断集合Ｑ＝
｛ｑ２，ｑ３｝を他のノードと同じく、独立した一つの
拡張ノードであるとみなすことにする。この状態で上述
のごとく決定木の再構成を行い、その後Ｑを元のノード
に展開する。

【００２９】順序づけられた診断の部分系列属性名の命
名及び属性値の定義 ここで、拡張属性を構成する各属性の属性名を「基本属
性名」、属性値を「基本属性値」と定義すると、拡張属
性の属性名は、 〈属性名〉：：＝｛〈親ノード属性名〉 |（〈親ノード
属性名〉．〈子ノード属性 名〉）｝ 〈親ノード属性名〉：：＝｛〈基本属性名〉｝ 〈子ノード属性名〉：：＝｛〈基本属性値〉．〈基本属
性名〉．〈子ノード属性名〉｝ で表すことができる。ここで、「子ノード属性名」の定
義における「基本属性値」、「基本属性名」は、それぞ
れ元の決定木で親ノードの属性名の取る値と、対応する
アークで接続される子ノードの属性名に対応する。ま
た、拡張属性の属性値は 〈属性値〉：：＝｛〈基本属性値〉 |（〈基本属性
名〉．〈基本属性値〉）｝ で再定義する。ここで、第１項は元の決定木の親ノード
の属性名に対応する値であり、第２項は各子ノードに対
応する値である。このように拡張属性の属性名と属性値
を定義すると、拡張属性内での属性の依存関係が明確に
なるため、容易に展開することができる。

【００３０】

【実施例】以下図面を参照し本発明を実施例によって詳
細に説明する。

【００３１】図１は本発明による診断装置の一実施例の
構成を概略的に示すブロック図である。

【００３２】同図において、１０は端末装置であり、１
１はこの端末装置１０にイベント解析部１２及び推論制
御部１３を介して接続された決定木データメモリであ
り、１４はこの端末装置１０にイベント解析部１２及び
履歴管理部１５を介して接続された診断事例データメモ
リである。決定木データメモリ１１及び診断事例データ
メモリ１４には決定木再構成装置１６が接続されてお
り、また、この決定木再構成装置１６には拡張属性デー
タメモリ１７が接続されている。

【００３３】決定木データメモリ１１は決定木の形式で
定義された診断系列のデータを格納するメモリであり、
診断事例データメモリ１４は診断装置運用の結果蓄積さ
れた診断事例の履歴件数を統計的に処理した診断事例デ
ータを格納するメモリであり、拡張属性データメモリ１
７は診断の依存関係が定義されている診断の部分系列
を、拡張属性データとして格納するメモリである。

【００３４】決定木再構成装置１６は、決定木データ、
診断事例データ、及び拡張属性データから決定木再構成
のための学習データを生成する学習データ生成処理部１
６ａと、学習アルゴリズムを利用して学習データから中
間決定木を生成する決定木生成処理部１６ｂと、決定木
生成処理部１６ｂにて生成された中間決定木を構成する
各ノードのうち拡張属性の部分を展開する決定木生成後
処理部１６ｃとを具備している。

【００３５】端末装置１０から診断の要求が入力される
と、この診断装置は以下の診断動作を実施する。まず、
この端末装置１０から会話形式によって診断に必要な情
報を受取り、決定木データメモリ１１に格納されている
決定木を参照して診断を行い、その結論を端末装置１０
へ報告する。さらに、その診断の過程を診断事例データ
として診断事例データメモリ１４に保存し、端末装置１
０から表示要求があればその診断事例を履歴管理部１５
を介して表示する。

【００３６】イベント解析部１２は、端末装置１０と本
装置所要の処理部である履歴管理部１５及び推論制御部
１３との間のデータの授受を制御し、端末装置１０から
推論の要求を受け取ったら推論制御部１３にそのデータ
をわたす。推論制御部１３は、決定木データメモリ１１
に格納されている決定木を参照して最適な診断を選択す
る。履歴管理部１５は、診断が終了すると診断の観測値
と結論を診断事例データとして診断事例データメモリ１
４に保存し、診断事例の表示要求があればその診断事例
を出力する。

【００３７】決定木の再構成を行う前に、図６のフロー
チャートに示す処理を実行して診断の部分系列の依存関
係を定義する。まず、ステップＳ６１において、決定木
データメモリ１１に格納されている決定木データから順
序付けられた診断の部分系列を抽出する。次いでステッ
プＳ６２において、抽出された部分系列を１つの疑似診
断とするために、疑似診断の属性名及び属性値を定義
し、拡張属性データを生成して拡張属性データメモリ１
７に格納しておく。

【００３８】決定木は決定木再構成装置１６によって再
構成可能である。図３は、この決定木再構成装置１６に
おける学習データ生成処理部１６ａの動作を説明するた
めのフローチャートである。

【００３９】まず、ステップＳ３１において、診断事例
データメモリ１４に格納されている診断事例データから
診断系列の発生確率を求める。次いでステップＳ３２に
おいて、決定木データメモリ１１に格納されている決定
木データと拡張属性データメモリ１７に格納されている
拡張属性データとから全ての診断系列の組み合わせを抽
出する。次いでステップＳ３３において、決定木と拡張
属性データメモリ１７とから各診断（属性又は拡張属
性）の有する属性値の値域を求める。次のステップＳ３
４では生成すべき学習データ数（学習データの生成数）
を決定し、ステップＳ３５ではステップＳ３１で求めた
発生確率に従ってステップＳ３２で抽出した診断系列の
１つを選択する。

【００４０】次のステップＳ３６では、選択した診断系
列の中に未観測の属性値があるかどうかチェックする。
未観測の属性値がなければステップＳ３９へ進む。未観
測の属性値がある場合はステップＳ３７へ進み、ステッ
プＳ３３で求めた属性値の値域から等確率で属性値を選
択する。ステップＳ３８では、このようにして選択した
属性値を未観測の部分に挿入する。

【００４１】一方、ステップＳ３９では、未知の属性値
がない診断系列を学習データの１つとして出力する。次
のステップＳ４０では、ステップＳ３４で決定した学習
データ生成数だけステップＳ３５〜Ｓ３９を繰り返した
かどうかチェックする。決定した学習データ生成数だけ
繰り返してない場合はステップＳ３５へ戻り、決定した
学習データ生成数を繰り返した場合はこの学習データ生
成処理部１６ａの動作を終了する。

【００４２】図４は、学習アルゴリズムを利用して学習
データから中間決定木を生成する決定木生成処理部１６
ｂの動作を説明するためのフローチャートである。

【００４３】まず、ステップＳ４１において、学習デー
タ生成処理部１６ａによって生成された学習データを含
む診断事例を読み込む。次のステップＳ４２では、この
事例集合を用いてＩＤ３系の学習アルゴリズムにより中
間決定木を生成し、ステップＳ４３でこれを出力する。

【００４４】図５は、決定木生成処理部１６ｂにて生成
された中間決定木を構成する各ノードのうち拡張属性の
部分を展開する決定木生成後処理部１６ｃの動作を説明
するためのフローチャートである。

【００４５】決定木生成後処理部１６ｃにおいては、図
５に示すように、まずステップＳ５１で中間決定木を読
み込む。次いで、ステップＳ５２において、拡張属性デ
ータメモリ１７に記憶されている拡張属性データを参照
し、中間決定木の各ノードのうちの拡張属性の部分を部
分系列に展開して属性を元の状態に戻す。このようにし
て生成した新たな決定木を決定木データメモリ１１に格
納する。

【００４６】以上述べたように、本実施例では、決定木
再構成装置１６が診断事例のうち未診断部分の取り得る
値に関して、決定木の形式で定義された診断系列の決定
木データから値域を求め、その範囲内で未診断部分の値
を等確率分布させることにより作成した学習データに対
して学習アルゴリズムを適用することにより決定木を再
構成しているので、人手を介さずに自動的に決定木を再
構成できる。そのため、決定木最適化のデータの入力ミ
スがなく、決定木最適化の作業も削減できる。ちなみ
に、従来の決定木再構成にかかる時間は、人手による作
業では、事例集合の増大に伴って幾何級数的に増大する
が、本実施例によれば、１万個の事例集合であってもワ
ークステーション上で２〜３秒程で再構成することがで
きる。また、本実施例による決定木の再構成では、再構
成前と再構成後の診断結果の信頼度は不変である。その
ため、既に高い信頼度にある決定木の場合は、その信頼
度を落とさずに決定木の再構成を行うことが可能であ
り、かつ診断順序の最適化を行うため、短時間で診断結
果を得ることができるようになる。

【００４７】さらに、本実施例では、決定木を再構成す
る際に、順序付けられた部分系列の診断順序を保持する
ため、診断順序を保持する診断部分系列を一つの疑似診
断として定義し、学習アルゴリズムを適用して、決定木
を再構成した後、診断順序が保持された疑似診断部分を
元の診断系列に戻すようにしている。

【００４８】一般に、診断と診断の間には依存関係が存
在することがある。例えば、図７の例において、ｑ３の
質問「“＃”ボタンを押しましたか？」とｑ４の質問
「“０”を回しましたか？」とは、ｑ２の質問「電話の
契約回線は何ですか？」が前提となっている。しかしな
がら、ＩＤ３系の学習アルゴリズムで決定木の再構成を
行うと、これらの順序が入れ替わってしまうことがあ
る。これを防ぐために、本実施例では、上述のごとく、
決定木の再構成をする前に依存関係にある質問（診断）
を１つの拡張属性として定義することにより質問順序を
保存し、最終的に元の状態に戻すようにしているのであ
る。

【００４９】

【発明の効果】以上詳細に説明したように本発明によれ
ば、決定木の形式で定義された診断系列の決定木データ
を蓄積する第１の蓄積手段と、診断事例データを蓄積す
る第２の蓄積手段と、第１の蓄積手段からの決定木デー
タより各属性の有する属性値の取り得る値域を求め、第
２の蓄積手段からの診断事例データを参照し、抽出した
診断系列内で属性値の定まっていない未診断の属性が存
在する場合はこの属性について上述の求めた値域内で等
確率分布させることにより属性値を決定することによっ
て、未知の属性値が存在しない診断系列を学習データと
して出力する学習データ生成処理手段と、学習データ生
成処理手段からの学習データに対して学習アルゴリズム
を適用して新たな決定木を再構成する決定木生成処理手
段とを備えているため、診断の未観測部分を有する診断
事例に対しても、学習アルゴリズムを適用して診断順序
を最適化することができる。その結果、人手を介さずに
短時間で自動的に決定木を再構成できるため、データの
入力ミスがなくかつ作業量の削減化を図ることができ、
かつ信頼度を変えずに、短時間で診断結果を得ることが
可能な診断装置を得ることができる。

【図面の簡単な説明】

【図１】本発明の一実施例における診断装置の構成を概
略的に示すブロック図である。

【図２】拡張属性を使った決定木再構成のフローの一例
を示す図である。

【図３】図１の実施例における学習データ生成処理部の
動作を説明するためのフローチャートである。

【図４】図１の実施例における決定木生成処理部の動作
を説明するためのフローチャートである。

【図５】図１の実施例における決定木生成後処理部の動
作を説明するためのフローチャートである。

【図６】図１の実施例における診断の部分系列の依存関
係を定義する動作を説明するためのフローチャートであ
る。

【図７】質問の順序関係の一例を示す図である。

【図８】従来の診断装置の構成を概略的に示すブロック
図である。

【図９】診断事例データメモリに格納されている診断事
例を表す図である。

【符号の説明】

１０ 端末装置 １１ 決定木データメモリ １２ イベント解析部 １３ 推論制御部 １４ 診断事例データメモリ １５ 履歴管理部 １６ 決定木再構成装置 １６ａ 学習データ生成処理部 １６ｂ 決定木生成処理部 １６ｃ 決定木生成後処理部 １７ 拡張属性データメモリ

Claims (3)

【特許請求の範囲】
1. 【請求項１】 決定木形式の診断知識を用いて診断を行
   う診断装置であって、決定木の形式で定義された診断系
   列の決定木データを蓄積する第１の蓄積手段と、診断事
   例データを蓄積する第２の蓄積手段と、前記第１の蓄積
   手段からの決定木データより各属性の有する属性値の取
   り得る値域を求め、前記第２の蓄積手段からの診断事例
   データを参照し、抽出した診断系列内で属性値の定まっ
   ていない未診断の属性が存在する場合は該属性について
   前記求めた値域内で等確率分布させることにより属性値
   を決定することによって、未知の属性値が存在しない診
   断系列を学習データとして出力する学習データ生成処理
   手段と、該学習データ生成処理手段からの学習データに
   対して学習アルゴリズムを適用して新たな決定木を再構
   成する決定木生成処理手段とを備えたことを特徴とする
   決定木形式の診断知識を用いた診断装置。
2. 【請求項２】 前記学習データ生成処理手段が、前記第
   ２の蓄積手段からの診断事例データから診断系列の発生
   確率を求め、該求めた発生確率に基づいて診断系列を抽
   出し、該抽出した診断系列内において前記学習データの
   生成処理を行うものであることを特徴とする請求項１に
   記載の診断装置。
3. 【請求項３】 前記第１の蓄積手段からの決定木データ
   より互いに依存関係にある診断の部分系列を抽出し、該
   抽出した部分系列を疑似診断として定義する拡張属性デ
   ータを生成する手段と、該生成された拡張属性データを
   蓄積する第３の蓄積手段と、前記決定木生成処理手段に
   より再構成された決定木の部分系列について前記第３の
   蓄積手段からの拡張属性データを用いて展開し元の診断
   系列に戻す決定木生成後処理手段とを備えたことを特徴
   とする請求項１又は２に記載の診断装置。