JPS6337459A - 学習方式 - Google Patents
学習方式Info
- Publication number
- JPS6337459A JPS6337459A JP61179931A JP17993186A JPS6337459A JP S6337459 A JPS6337459 A JP S6337459A JP 61179931 A JP61179931 A JP 61179931A JP 17993186 A JP17993186 A JP 17993186A JP S6337459 A JPS6337459 A JP S6337459A
- Authority
- JP
- Japan
- Prior art keywords
- rule
- cases
- rules
- judgment
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000611 regression analysis Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は事例から規則を学習する方式に係り、特にビジ
ネス分野の様に事例に分@型変数と数値型変数とが混在
しており、記号の等値性判定、数値の四則演算と大小判
定の組み合わせから成る単純明快な形の規則を学習した
い場合に好適な学習方式に関する。
ネス分野の様に事例に分@型変数と数値型変数とが混在
しており、記号の等値性判定、数値の四則演算と大小判
定の組み合わせから成る単純明快な形の規則を学習した
い場合に好適な学習方式に関する。
従来の学習方式は、田中幸吉/淵−博監訳、人工知能ハ
ンドブック、第■巻(1984年)第485頁から第4
87頁に記載のように、数値表現を用いるシステムと記
号表現を用いるシステムとに別れてい友。数値表現を用
いるシステムでは、事象の出現する確率分布又は規則の
形式(線形判別関数等)を仮定して、誤差等を最小化す
るようにパラメータを決定していた。しかし、妥当な仮
定ができない場合や最小化だ要する計算時間の点につい
ては配慮されていなかった。又、記号表現を用いるシス
テムでは、特開昭60−140458号に記載のように
、[動物は挿孔類と鳥類と・・・・・・に分類され、さ
らに鳥類は・・・・・・に分類される」といった階層的
な分類に基づいて規則の適用範囲を一般化したり特殊化
したりして適切な規則を学習していた。
ンドブック、第■巻(1984年)第485頁から第4
87頁に記載のように、数値表現を用いるシステムと記
号表現を用いるシステムとに別れてい友。数値表現を用
いるシステムでは、事象の出現する確率分布又は規則の
形式(線形判別関数等)を仮定して、誤差等を最小化す
るようにパラメータを決定していた。しかし、妥当な仮
定ができない場合や最小化だ要する計算時間の点につい
ては配慮されていなかった。又、記号表現を用いるシス
テムでは、特開昭60−140458号に記載のように
、[動物は挿孔類と鳥類と・・・・・・に分類され、さ
らに鳥類は・・・・・・に分類される」といった階層的
な分類に基づいて規則の適用範囲を一般化したり特殊化
したりして適切な規則を学習していた。
しかし、数値データの大小比較等の条件を学習させるこ
とについては配慮されていなかった。
とについては配慮されていなかった。
上記従来技術は、事例に分類型変数と数値型変数とが混
在しており、記号の等値性判定と数値の四則演算・大小
比較が混在している規則を学習させることについては配
慮がされておらず、事例や規則を適切に表現できない場
合があるという問題があった。
在しており、記号の等値性判定と数値の四則演算・大小
比較が混在している規則を学習させることについては配
慮がされておらず、事例や規則を適切に表現できない場
合があるという問題があった。
本発明の目的は、ビジネス分野向きに、分類型変数と数
値型変数が混在している判断事例から。
値型変数が混在している判断事例から。
x=Aの様な記号の等値性判定とy+z(10の様な四
則演算を含む大小比較の論理演算(AN D 。
則演算を含む大小比較の論理演算(AN D 。
OR)で表わされる単純明快な判断規則を学習させるこ
とにある。
とにある。
上記目的は1分類型変数に関しては記号の等値性チエツ
クの条件、数値型変数に関してはソート。
クの条件、数値型変数に関してはソート。
回帰分析2判別分析等から得られた値や式の大小比較の
条件及びそれらを組み合わせた条件を持つルールを生成
すること、及び生成されたルールの説明力を評価して規
則の中に取込むルールを選択することにより、達成され
る。
条件及びそれらを組み合わせた条件を持つルールを生成
すること、及び生成されたルールの説明力を評価して規
則の中に取込むルールを選択することにより、達成され
る。
ルール生成機能は1判断事例の決定変数の種類に応じた
様々な組み合わせについて、パターン分類チエツク、回
帰分析2判別分析を行って判別力のあるパターンが見つ
かれば全てルールとして登録するように動作する。それ
によって、適切な形式で表現されるルールの可能性を全
て調べるようになるので、より多くの事例を説明する規
則を作る。
様々な組み合わせについて、パターン分類チエツク、回
帰分析2判別分析を行って判別力のあるパターンが見つ
かれば全てルールとして登録するように動作する。それ
によって、適切な形式で表現されるルールの可能性を全
て調べるようになるので、より多くの事例を説明する規
則を作る。
−ルール選択機能は、生成されたルールの中から。
既に採用されたルールでは説明されない判断事例を最も
多く説明するルールを選択して採用するように動作する
。それによって、最終的に学習される規則を構成するル
ールは互いに同じ事例を説明する場合が少なくなるので
、採用するルールをより少なくする。
多く説明するルールを選択して採用するように動作する
。それによって、最終的に学習される規則を構成するル
ールは互いに同じ事例を説明する場合が少なくなるので
、採用するルールをより少なくする。
以下1本発明の一実施例を説明する。
まず第1図により本発明の一実施例の構成について説明
する。事例記憶部if0は、複数の判断事例を記憶する
。規則学習部130におけるルール生成部140で、事
例記憶部if0の事例を参照してルールを生成し、ルー
ル記憶部150へ出力する。ルール週択部160は、ル
ール記憶部150のルールを、事例記憶部if0の事例
について評価を行い1選択したルールを規則記憶部12
0へ追加する。
する。事例記憶部if0は、複数の判断事例を記憶する
。規則学習部130におけるルール生成部140で、事
例記憶部if0の事例を参照してルールを生成し、ルー
ル記憶部150へ出力する。ルール週択部160は、ル
ール記憶部150のルールを、事例記憶部if0の事例
について評価を行い1選択したルールを規則記憶部12
0へ追加する。
事例記憶部if00例を第2図に示す。判断事例210
は、ひと組の変数220の値230及びそれらの値に対
応した判断240によって与えられる。つまりV+(j
=1.2.・・・n)を決定変数。
は、ひと組の変数220の値230及びそれらの値に対
応した判断240によって与えられる。つまりV+(j
=1.2.・・・n)を決定変数。
Dt判断とすると、判断事例は。
(V’z、V2+、−V−+)−D+
となる。
規則記憶部120の例を第3図に示す。規則は順に並ん
だルールから成り各ルールはif部とthen部とから
成る。if部は、ひと組の決定変数に対して、真又は否
を決める述語である。then部は、判断を決める。あ
る事例に規則を適用するには、先頭のルールから順にi
f部の述語の真否を調べていき、始めて真となつ念lf
部を持つルールのthen部の示す判断に従う。
だルールから成り各ルールはif部とthen部とから
成る。if部は、ひと組の決定変数に対して、真又は否
を決める述語である。then部は、判断を決める。あ
る事例に規則を適用するには、先頭のルールから順にi
f部の述語の真否を調べていき、始めて真となつ念lf
部を持つルールのthen部の示す判断に従う。
以下、本発明のシステムの動作例を説明する。
規則学習部130の全体の動作について、第4図によ)
説明する。ステップ410においては。
説明する。ステップ410においては。
第1図内の事例記憶部if0を参照し、各決定変数の型
(分類型変数又は数値型変数)と値との不一致、5例の
重複、事例間の矛盾(同じ決定変数の値を持つ事例に対
して異なる判断をしている)をチエツクする。ステップ
420においては、事例記憶部if0内の学習の対象と
する事例のフラグ250をセットする。ステップ430
においては、学習の対象とする事例が残っていなければ
、全ての事例を説明する規則を学習できたので終了する
。事例が残っている場合は、以下残っている事例のみを
対象として、ステップ440へ進み、様々なルール生成
手段により、第3図310の様な形をしたルールをいく
つか生成し、ルール記憶部150へ出力する。ステップ
450にお^ては、ルール記憶部150に全くルールが
生成されていなければ、処理を続行できないので終了す
る。ルールが生成されている場合は、ステップ460へ
進み、各ルールについて、説明できる事例の数(以下説
明力と呼ぶ)を調べ、最も説明力の大きいルールを選択
する。ステップ470においては。
(分類型変数又は数値型変数)と値との不一致、5例の
重複、事例間の矛盾(同じ決定変数の値を持つ事例に対
して異なる判断をしている)をチエツクする。ステップ
420においては、事例記憶部if0内の学習の対象と
する事例のフラグ250をセットする。ステップ430
においては、学習の対象とする事例が残っていなければ
、全ての事例を説明する規則を学習できたので終了する
。事例が残っている場合は、以下残っている事例のみを
対象として、ステップ440へ進み、様々なルール生成
手段により、第3図310の様な形をしたルールをいく
つか生成し、ルール記憶部150へ出力する。ステップ
450にお^ては、ルール記憶部150に全くルールが
生成されていなければ、処理を続行できないので終了す
る。ルールが生成されている場合は、ステップ460へ
進み、各ルールについて、説明できる事例の数(以下説
明力と呼ぶ)を調べ、最も説明力の大きいルールを選択
する。ステップ470においては。
選択したルールにより説明される事例のフラグをリセッ
トし、以下の処理の対象から除くようにする。ステップ
480においては、選択したルールを規則記憶部120
の最後に出力する。ステップ490においては、ルール
記憶部150内のルールを全てクリアする。ステップ4
30へ進む。
トし、以下の処理の対象から除くようにする。ステップ
480においては、選択したルールを規則記憶部120
の最後に出力する。ステップ490においては、ルール
記憶部150内のルールを全てクリアする。ステップ4
30へ進む。
次に、第4図内ステップ440の動作について。
第5図により説明する。ステップ505において、分類
型変数が1個以上あればステップ510へ進み、分類型
変数の値の全ての組み合わせをチエツクすることにより if Vl =人かつVz = B−・・・then
D= 0という形をした判別力のあるルールを生成する
。
型変数が1個以上あればステップ510へ進み、分類型
変数の値の全ての組み合わせをチエツクすることにより if Vl =人かつVz = B−・・・then
D= 0という形をした判別力のあるルールを生成する
。
ステップ515において、数値型変数が1個以上あれば
ステップ520へ進み、各数値型変数の値の順に事例を
ソートすることにより、第6図の様な結果になれば jf Vl (20then D =Q 又はIf
Vl ) 30 then l):=1という形
をした判別力のあるルールを生成する。
ステップ520へ進み、各数値型変数の値の順に事例を
ソートすることにより、第6図の様な結果になれば jf Vl (20then D =Q 又はIf
Vl ) 30 then l):=1という形
をした判別力のあるルールを生成する。
ステップ525において、数値型変数が2個以上あれば
ステップ530へ進み、任意の2個の数値型変数の組み
合わせに注目して第7図の様な事例の分布を考えること
によシ、 if L > 40又はVz < 15 then D
= 0ifv1く25又は Vz > 25 the
n D=1という形をした判別力のあるルールを生成す
る。
ステップ530へ進み、任意の2個の数値型変数の組み
合わせに注目して第7図の様な事例の分布を考えること
によシ、 if L > 40又はVz < 15 then D
= 0ifv1く25又は Vz > 25 the
n D=1という形をした判別力のあるルールを生成す
る。
ステップ535においては、任意の2個の数値型変数の
組み合わせに注目して、第8固在の様な同じ判断の事例
を含む6包を求めることにより。
組み合わせに注目して、第8固在の様な同じ判断の事例
を含む6包を求めることにより。
if O,8Vz −0,7Vt (40then D
= 0という形をした判別力のあるルールを生成する。
= 0という形をした判別力のあるルールを生成する。
6包が分離できない場合は第8図右の様に、D;1の事
例の(Vs 、 Vz )について回帰分析を行い、回
帰直線Vl =4vt−1−bを求め、回帰直線から最
も離れた事例を通る平行直線V2=3v1+Cを利用し
て。
例の(Vs 、 Vz )について回帰分析を行い、回
帰直線Vl =4vt−1−bを求め、回帰直線から最
も離れた事例を通る平行直線V2=3v1+Cを利用し
て。
if Vz ) aVl + Cthen D: Qと
いう形をした判別力のあるルールを生成する。
いう形をした判別力のあるルールを生成する。
ステップ540においては、この時点までにルールが生
成されていなければステップ545へ進み、判別分析を
利用して if f(vl、■2・・・・・・)≧a then
])=0という形をしたルールを生成する。ステップ5
50においては、分類型変数が無ければ終了する。分類
型変数があれば、ステップ555へ進み、ステップ51
5からステップ545までの処理を、分類型変数の値の
組み合わせを Vt=A の様に固定して、これに当てはまる事例についてのみ同
様の処理を繰シ返す。例えば、 1fVt=AかつVx (20then () =
Qという形をした判別力のあるルールを生成する。
成されていなければステップ545へ進み、判別分析を
利用して if f(vl、■2・・・・・・)≧a then
])=0という形をしたルールを生成する。ステップ5
50においては、分類型変数が無ければ終了する。分類
型変数があれば、ステップ555へ進み、ステップ51
5からステップ545までの処理を、分類型変数の値の
組み合わせを Vt=A の様に固定して、これに当てはまる事例についてのみ同
様の処理を繰シ返す。例えば、 1fVt=AかつVx (20then () =
Qという形をした判別力のあるルールを生成する。
以上説明したごとく、本実施例によれば、決定変数に数
値型変数と分類型変数が混在している事例から。
値型変数と分類型変数が混在している事例から。
if Vt =AかつVz = B then ])=
Oif V3 ) 30 then D :1という
様な単純明快な規則を学習することができる。
Oif V3 ) 30 then D :1という
様な単純明快な規則を学習することができる。
本発明によれば、判断事例から判断規則を学習すること
ができるので、判′ffrヲ行うエキスパートシステム
の知識ペースを自動的に構渠する効果がある。したがっ
て、だれでも容易に自分なりの知識ペースを作成し利用
することができる。
ができるので、判′ffrヲ行うエキスパートシステム
の知識ペースを自動的に構渠する効果がある。したがっ
て、だれでも容易に自分なりの知識ペースを作成し利用
することができる。
さらに、与えられ次側の矛盾を指摘したシ学−dした規
則を表示したりできるので、利用者が自分の頭の中を整
理できる効果がある。
則を表示したりできるので、利用者が自分の頭の中を整
理できる効果がある。
さらに、事例や規則を修正する機能を付加することによ
り、利用者と本発明とが協力しながら規則を固めていく
ことができる効果がある。
り、利用者と本発明とが協力しながら規則を固めていく
ことができる効果がある。
第1図は本発明の一実施例の構成図、第2図は事例記憶
部内の事例の一例、第3図は規則記憶部内の規則の一例
、第4図は規則学習部の処理のフローチャート、第5図
はルール生成部の処理のフローチャート、第6図は1数
値変数によるルール化の処理の説明図、第7図は矩形領
域タイプによるルール化の処理の説明図、第8図は1次
不等式タイプによるルール化の処理の説明図である。 二ニー
部内の事例の一例、第3図は規則記憶部内の規則の一例
、第4図は規則学習部の処理のフローチャート、第5図
はルール生成部の処理のフローチャート、第6図は1数
値変数によるルール化の処理の説明図、第7図は矩形領
域タイプによるルール化の処理の説明図、第8図は1次
不等式タイプによるルール化の処理の説明図である。 二ニー
Claims (1)
- 【特許請求の範囲】 1、判断結果とその判断に関与するひと組の変数の値と
からなる判断事例を複数個記憶する事例記憶部と、該ひ
と組の変数の値から判断結果を求める規則を記憶する規
則記憶部と、判断事例から規則を学習する規則学習部よ
り成る学習方式において、該規則学習部は、同じ判断結
果を持つ事例には当てはまるが異なる判断結果の事例で
は成立しない条件をif部に、その共通の判断結果をt
hen部に持つルールの生成と選択を繰返すことを特徴
とする学習方式。 2、上記規則学習部は、上記ひと組の変数に関する記号
の等値性、数値の四則演算と大小比較、回帰分析、判別
分析を組み合わせることにより上記条件を持つルールを
生成することを特徴とする第1項記載の学習方式。 3、上記規則学習部は、生成されたルールの中で当ては
まる判断事例の数が大きいルールを選択し、選択された
ルールが当てはまる判断事例を除いて、ルールの生成と
選択を繰り返すことを特徴とする第1項記載の学習方式
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP61179931A JPS6337459A (ja) | 1986-08-01 | 1986-08-01 | 学習方式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP61179931A JPS6337459A (ja) | 1986-08-01 | 1986-08-01 | 学習方式 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPS6337459A true JPS6337459A (ja) | 1988-02-18 |
Family
ID=16074432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP61179931A Pending JPS6337459A (ja) | 1986-08-01 | 1986-08-01 | 学習方式 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPS6337459A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6777867B2 (en) | 2000-08-10 | 2004-08-17 | Osram Sylvania Inc. | Highly loaded fluorescent lamp |
US7030549B2 (en) | 2000-08-10 | 2006-04-18 | Osram Sylvania Inc. | Display device having reduced color shift during life |
-
1986
- 1986-08-01 JP JP61179931A patent/JPS6337459A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6777867B2 (en) | 2000-08-10 | 2004-08-17 | Osram Sylvania Inc. | Highly loaded fluorescent lamp |
US7030549B2 (en) | 2000-08-10 | 2006-04-18 | Osram Sylvania Inc. | Display device having reduced color shift during life |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10417563B1 (en) | Intelligent control with hierarchical stacked neural networks | |
Spears | Evolutionary Algorithms: the role of mutation and recombination | |
Whitley | Permutations | |
Bucos et al. | Predicting student success using data generated in traditional educational environments | |
Rosenkrantz | Inference, method and decision: towards a Bayesian philosophy of science | |
Alpaydin | Multiple networks for function learning | |
Forrest | Genetic algorithms | |
Sternberg et al. | Using cultural algorithms to support re-engineering of rule-based expert systems in dynamic performance environments: a case study in fraud detection | |
Buscema | Metanet*: The theory of independent judges | |
Nosofsky et al. | Investigations of an exemplar-based connectionist model of category learning | |
Balakrishnan | Significance of classification techniques in prediction of learning disabilities | |
Fenoeux et al. | Induction of decision trees from partially classified data using belief functions | |
JP2000339351A (ja) | 選択的に関連させられたデータベースレコードの識別のためのシステム | |
Fogarty et al. | Evolving Bayesian classifiers for credit control—a comparison with other machine-learning methods | |
Castro et al. | Learning and optimization of fuzzy rule base by means of self-adaptive genetic algorithm | |
Fortier et al. | Learning Bayesian classifiers using overlapping swarm intelligence | |
JPS6337459A (ja) | 学習方式 | |
Felkin | Comparing classification results between n-ary and binary problems | |
de Castro et al. | A study of the reasoning methods impact on genetic learning and optimization of fuzzy rules | |
Corcoran III | Techniques for reducing the disruption of superior building blocks in genetic algorithms | |
Palumbo et al. | Non‐symmetrical factorial discriminant analysis for symbolic objects | |
Coppock et al. | Rough sets used in the measurement of similarity of mixed mode data | |
Aslanyan et al. | Notes on reconstruction of shadow minimization Boolean functions | |
Wang | Algorithms for solving the reducts problem in rough sets | |
Gams et al. | Integration of multiple reasoning systems for process control |