JPH0887413A - 学習システム - Google Patents
学習システムInfo
- Publication number
- JPH0887413A JPH0887413A JP6224983A JP22498394A JPH0887413A JP H0887413 A JPH0887413 A JP H0887413A JP 6224983 A JP6224983 A JP 6224983A JP 22498394 A JP22498394 A JP 22498394A JP H0887413 A JPH0887413 A JP H0887413A
- Authority
- JP
- Japan
- Prior art keywords
- case
- learning
- class
- learned
- concept
- 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
Landscapes
- Devices For Executing Special Programs (AREA)
Abstract
(57)【要約】
【目的】 ニューラルネットや多数決判別手法等のより
性能の高い学習手法に近い性能をＩＤ３アルゴリズムに
より実現可能な学習システムを提供する。 【構成】 例えばニューラルネットや多数決判別手法等
の精度の高い外部学習手段８により事例保持手段２に保
持された事例からの学習を行って作成された被学習概念
を被学習概念保持手段３に保持し、被学習概念を用いて
クラス判定し、クラスが異なる時には事例補正手段４で
被学習概念が提示したクラスに変更し、事例補正手段４
により補正された再学習用事例を再学習用事例保持手段
５に保持し、この保持された再学習用事例から再学習手
段６により再学習結果７を生成する。
性能の高い学習手法に近い性能をＩＤ３アルゴリズムに
より実現可能な学習システムを提供する。 【構成】 例えばニューラルネットや多数決判別手法等
の精度の高い外部学習手段８により事例保持手段２に保
持された事例からの学習を行って作成された被学習概念
を被学習概念保持手段３に保持し、被学習概念を用いて
クラス判定し、クラスが異なる時には事例補正手段４で
被学習概念が提示したクラスに変更し、事例補正手段４
により補正された再学習用事例を再学習用事例保持手段
５に保持し、この保持された再学習用事例から再学習手
段６により再学習結果７を生成する。
Description
【０００１】
【産業上の利用分野】本発明は、人間の専門家の問題解
決事例から、その背後に存在する一般的な知識を学習す
る知識学習システムに関し、特に、精度の高い知識を獲
得するための学習システムに関する。
決事例から、その背後に存在する一般的な知識を学習す
る知識学習システムに関し、特に、精度の高い知識を獲
得するための学習システムに関する。
【０００２】
【従来の技術】人間の問題解決事例を複数収集し、この
事例からその背後に存在する知識を抽出することは、エ
キスパートシステムのための知識を作成する有力な手法
として活発に研究が進められている。本明細書では事例
として以下の形式を考える。即ち、Ａ1 ，Ａ2 ，・・Ａ
j ，・・，Ａn を属性値、Ｃをそれらの属性値によって
決定されるクラスとして、事例は、 （Ａ1 ，Ａ2 ，・・・・Ａn ：Ｃ） として表現する。この場合、属性値からクラスを決定す
る未知関数 ｆ（Ａ1 ，Ａ2 ，・・・・Ａn ）＝Ｃ の推定が学習システムの責務である。
事例からその背後に存在する知識を抽出することは、エ
キスパートシステムのための知識を作成する有力な手法
として活発に研究が進められている。本明細書では事例
として以下の形式を考える。即ち、Ａ1 ，Ａ2 ，・・Ａ
j ，・・，Ａn を属性値、Ｃをそれらの属性値によって
決定されるクラスとして、事例は、 （Ａ1 ，Ａ2 ，・・・・Ａn ：Ｃ） として表現する。この場合、属性値からクラスを決定す
る未知関数 ｆ（Ａ1 ，Ａ2 ，・・・・Ａn ）＝Ｃ の推定が学習システムの責務である。
【０００３】学習システムの構築手法としては、種々の
ものが提案されているが、最も良く知られているもの
は、 J.Ross.Quinlan によるＩＤ３である。ＩＤ３は上
記の未知関数ｆの形式として、デシジョンツリーを生成
する。以下、ＩＤ３の簡単な説明を行う。詳細は、共立
出版株式会社、知識獲得と学習シリーズ１、「知識獲得
入門・帰納学習と応用」第５章、を参照されたい。
ものが提案されているが、最も良く知られているもの
は、 J.Ross.Quinlan によるＩＤ３である。ＩＤ３は上
記の未知関数ｆの形式として、デシジョンツリーを生成
する。以下、ＩＤ３の簡単な説明を行う。詳細は、共立
出版株式会社、知識獲得と学習シリーズ１、「知識獲得
入門・帰納学習と応用」第５章、を参照されたい。
【０００４】まず、以下の事例集合Ｓを考える。ここで
は、Ｓ中の各事例は３個の属性Ａ0，Ａ1 ，Ａ2 （但
し、属性値は０または１の２値であるとする）、および
クラス（０または１の２値であるとする）から構成され
るものとする。即ち、事例の形式は、（Ａ0 ，Ａ1 ，Ａ
2 ：Ｃ）とする。
は、Ｓ中の各事例は３個の属性Ａ0，Ａ1 ，Ａ2 （但
し、属性値は０または１の２値であるとする）、および
クラス（０または１の２値であるとする）から構成され
るものとする。即ち、事例の形式は、（Ａ0 ，Ａ1 ，Ａ
2 ：Ｃ）とする。
【０００５】（０，０，１：１） （１，０，０：０） （１，１，１：１） （１，１，０：１） 今、２番目の属性を選んで、この集合Ｓを分割してみ
る。この場合には、事例は２個のグループに分割され
る。
る。この場合には、事例は２個のグループに分割され
る。
【０００６】 グループ０（Ａ1 ＝０） グループ１（Ａ1 ＝１） （０，０，１：１） （１，１，１：１） （１，０，０：０） （１，１，０：１） この場合、分割は、Ａ0 ，Ａ1 ，Ａ2 の３種類の属性で
可能であることに注意されたい。ＩＤ３では、この分割
の前後のエントロピの差（エントロピゲイン）を求め
る。ここで、エントロピゲインとは 「分割前の事例のエントロピ」−「分割後の事例の期待
エントロピ」 である。「分割後の事例の期待エントロピ」とは、分割
後の各事例グループのエントロピを、各グループ毎の発
生頻度（当該グループに到達した事例を分割前の事例の
総数で除したもの）で重み付け合計したものである。エ
ントロピの計算方法は、本発明の趣旨には直接関係しな
いので詳細には述べない。図２は実際の動作例である。
４個の事例から、２個のノードを持つデシジョンツリー
が生成されており、未知のテスト事例のクラス判別は、
このデシジョンツリーを用いて行う。
可能であることに注意されたい。ＩＤ３では、この分割
の前後のエントロピの差（エントロピゲイン）を求め
る。ここで、エントロピゲインとは 「分割前の事例のエントロピ」−「分割後の事例の期待
エントロピ」 である。「分割後の事例の期待エントロピ」とは、分割
後の各事例グループのエントロピを、各グループ毎の発
生頻度（当該グループに到達した事例を分割前の事例の
総数で除したもの）で重み付け合計したものである。エ
ントロピの計算方法は、本発明の趣旨には直接関係しな
いので詳細には述べない。図２は実際の動作例である。
４個の事例から、２個のノードを持つデシジョンツリー
が生成されており、未知のテスト事例のクラス判別は、
このデシジョンツリーを用いて行う。
【０００７】ＩＤ３のより正確な手順は、以下のように
なる。
なる。
【０００８】（ステップＳ１１）事例の属性集合をＡ、
与えられた事例集合をＳとする。
与えられた事例集合をＳとする。
【０００９】（ステップＳ１２）事例集合が空であるか
所属するクラスが単一の場合は、処理を停止する。さも
なければ、事例集合Ｓに対して、属性集合Ａに含まれる
各属性に対して、当該属性で分割を行った場合のエント
ロピゲインを計算し、最も大きなエントロピゲインを持
つ属性を１個選びａとする。
所属するクラスが単一の場合は、処理を停止する。さも
なければ、事例集合Ｓに対して、属性集合Ａに含まれる
各属性に対して、当該属性で分割を行った場合のエント
ロピゲインを計算し、最も大きなエントロピゲインを持
つ属性を１個選びａとする。
【００１０】（ステップＳ１３）属性ａを属性集合Ａか
ら削除し、これを新たなＡとする。そして、属性ａによ
り、事例集合Ｓをグループに分割し、この各グループ毎
の事例集合をＳ0 ，Ｓ1 ・・・とする。このＳ0 ，Ｓ1
・・・の各々に対して、ステップＳ１２〜ステップＳ１
３を再帰的に実行する。
ら削除し、これを新たなＡとする。そして、属性ａによ
り、事例集合Ｓをグループに分割し、この各グループ毎
の事例集合をＳ0 ，Ｓ1 ・・・とする。このＳ0 ，Ｓ1
・・・の各々に対して、ステップＳ１２〜ステップＳ１
３を再帰的に実行する。
【００１１】以上のＩＤ３は、優れた手法として知ら
れ、特に、得られた知識が人間の可読な形式である点、
また、テスト事例（クラス未知の事例）に対する判断時
間が短い特徴を持つ。反面、その未知事例に対する判定
性能は、学習手法として知られているものの中で最上で
はない。例えば、ニューラルネットは、ＩＤ３に比べて
より精度の高い学習が行える。
れ、特に、得られた知識が人間の可読な形式である点、
また、テスト事例（クラス未知の事例）に対する判断時
間が短い特徴を持つ。反面、その未知事例に対する判定
性能は、学習手法として知られているものの中で最上で
はない。例えば、ニューラルネットは、ＩＤ３に比べて
より精度の高い学習が行える。
【００１２】しかし、精度の高いニューラルネットを何
処にでも利用すれば良いかと言うと、そうはいかない。
ニューラルネットでは、知識が分布的なアナログ値とし
て保持され、人間の可読性が全く無いからである。この
ような現象は、他の学習手法においても、発生する。例
えば、同一の事例（訓練事例）から、複数のデシジョン
ツリーをＩＤ３により生成し、未知事例に対しては、こ
の複数のデシジョンツリーの判定結果を用いる方法（以
下、これを多数決判別手法と呼ぶ）がある。本方法も、
未知事例に対する判定性能が向上することが知られてい
るが、被学習概念が、複数のデシジョンツリーに分散さ
れるため、人間の知識獲得支援には不向きである。
処にでも利用すれば良いかと言うと、そうはいかない。
ニューラルネットでは、知識が分布的なアナログ値とし
て保持され、人間の可読性が全く無いからである。この
ような現象は、他の学習手法においても、発生する。例
えば、同一の事例（訓練事例）から、複数のデシジョン
ツリーをＩＤ３により生成し、未知事例に対しては、こ
の複数のデシジョンツリーの判定結果を用いる方法（以
下、これを多数決判別手法と呼ぶ）がある。本方法も、
未知事例に対する判定性能が向上することが知られてい
るが、被学習概念が、複数のデシジョンツリーに分散さ
れるため、人間の知識獲得支援には不向きである。
【００１３】
【発明が解決しようとする課題】上述したように、従来
は、人間の可読性が必要な場合には、性能はやや劣るも
のの、ＩＤ３を利用せざるを得ず、他の、ニューラルネ
ットや多数決判別手法等のより性能の高い学習手法を利
用することができなかった。
は、人間の可読性が必要な場合には、性能はやや劣るも
のの、ＩＤ３を利用せざるを得ず、他の、ニューラルネ
ットや多数決判別手法等のより性能の高い学習手法を利
用することができなかった。
【００１４】本発明は、上記に鑑みてなされたもので、
その目的とするところは、ニューラルネットや多数決判
別手法等のより性能の高い学習手法に近い性能をＩＤ３
アルゴリズムにより実現可能な学習システムを提供する
ことにある。
その目的とするところは、ニューラルネットや多数決判
別手法等のより性能の高い学習手法に近い性能をＩＤ３
アルゴリズムにより実現可能な学習システムを提供する
ことにある。
【００１５】
【課題を解決するための手段】上記目的を達成するた
め、本発明の学習システムは、属性値とクラスから構成
される事例を保持する事例保持手段と、この事例保持手
段に保持された事例から学習手法により作成された被学
習概念を保持する被学習概念保持手段と、前記事例を前
記被学習概念を用いてクラス判定し、クラスが異なる時
には前記被学習概念が提示したクラスに変更する事例補
正手段と、この事例補正手段により補正された再学習用
事例から再学習結果を生成する再学習手段とを有するこ
とを要旨とする。
め、本発明の学習システムは、属性値とクラスから構成
される事例を保持する事例保持手段と、この事例保持手
段に保持された事例から学習手法により作成された被学
習概念を保持する被学習概念保持手段と、前記事例を前
記被学習概念を用いてクラス判定し、クラスが異なる時
には前記被学習概念が提示したクラスに変更する事例補
正手段と、この事例補正手段により補正された再学習用
事例から再学習結果を生成する再学習手段とを有するこ
とを要旨とする。
【００１６】
【作用】本発明の学習システムでは、例えばニューラル
ネットや多数決判別手法等の精度の高い外部学習手法に
より事例からの学習を行って作成された被学習概念を用
いて事例のクラスを判定し、クラスが異なる時には被学
習概念が提示したクラスに変更し、補正された再学習用
事例から再学習結果を生成する。
ネットや多数決判別手法等の精度の高い外部学習手法に
より事例からの学習を行って作成された被学習概念を用
いて事例のクラスを判定し、クラスが異なる時には被学
習概念が提示したクラスに変更し、補正された再学習用
事例から再学習結果を生成する。
【００１７】
【実施例】以下、図面を用いて本発明の実施例を説明す
る。
る。
【００１８】図１は、本発明の一実施例に係わる学習シ
ステムの構成を示すブロック図である。同図に示す学習
システム１は、属性値とクラスから構成される事例を保
持する事例保持手段２と、該事例保持手段２に保持され
た事例から、例えばニューラルネットや多数決判別手法
等の精度の高い外部学習手段８により作成された被学習
概念を保持する被学習概念保持手段３と、前記事例を前
記被学習概念を用いてクラス判定し、クラスが異なる時
には前記被学習概念が提示したクラスに変更する事例補
正手段４と、該事例補正手段４により補正された再学習
用事例を保持する再学習用事例保持手段５と、該再学習
用事例保持手段５に保持された再学習用事例から再学習
結果を生成する再学習手段６とを有する。
ステムの構成を示すブロック図である。同図に示す学習
システム１は、属性値とクラスから構成される事例を保
持する事例保持手段２と、該事例保持手段２に保持され
た事例から、例えばニューラルネットや多数決判別手法
等の精度の高い外部学習手段８により作成された被学習
概念を保持する被学習概念保持手段３と、前記事例を前
記被学習概念を用いてクラス判定し、クラスが異なる時
には前記被学習概念が提示したクラスに変更する事例補
正手段４と、該事例補正手段４により補正された再学習
用事例を保持する再学習用事例保持手段５と、該再学習
用事例保持手段５に保持された再学習用事例から再学習
結果を生成する再学習手段６とを有する。
【００１９】事例保持手段２は、現実世界において観測
された事例を保持する。事例は、従来技術の項で説明し
たように、 （Ａ1 ，Ａ2 ，・・・・Ａn ：Ｃ） の形式で表現されるが、具体的にはこれをビット列で表
現しても良く、リスト構造で表現しても良い。それは、
当業者の選択の範囲にあるが、少なくとも、属性値とク
ラスを情報として有している。この事例は、ＩＤ３以外
の外部学習手段８に送られて、学習が行われる。この外
部学習手段８は、ニューラルネットや多数決判別手法等
のどんな方法でも良く、当業者の好みにより選択でき
る。
された事例を保持する。事例は、従来技術の項で説明し
たように、 （Ａ1 ，Ａ2 ，・・・・Ａn ：Ｃ） の形式で表現されるが、具体的にはこれをビット列で表
現しても良く、リスト構造で表現しても良い。それは、
当業者の選択の範囲にあるが、少なくとも、属性値とク
ラスを情報として有している。この事例は、ＩＤ３以外
の外部学習手段８に送られて、学習が行われる。この外
部学習手段８は、ニューラルネットや多数決判別手法等
のどんな方法でも良く、当業者の好みにより選択でき
る。
【００２０】被学習概念保持手段３は、外部学習手段８
により生成された被学習概念を保持する。ニューラルネ
ットの場合には、結合重みの確定したネットワークであ
る。多数決判別手法の場合には、複数の決定木と、それ
らの判別結果を取る多数決論理である。
により生成された被学習概念を保持する。ニューラルネ
ットの場合には、結合重みの確定したネットワークであ
る。多数決判別手法の場合には、複数の決定木と、それ
らの判別結果を取る多数決論理である。
【００２１】事例補正手段４は、事例保持手段２に保持
された各事例に対して、以下の処理を行い、事例のクラ
スを補正する。
された各事例に対して、以下の処理を行い、事例のクラ
スを補正する。
【００２２】（ステップＳ１）再学習用事例集合Ｑを空
（φ）とする。
（φ）とする。
【００２３】（ステップＳ２）事例保持手段２に保持さ
れた事例を１個取り出し、これをｅとする。この事例ｅ
を被学習概念保持手段３に保持された被学習概念を用い
て弁別する。被学習概念により決定されたクラスが、事
例ｅのクラスと同一の時には、そのままｅを再学習用事
例集合Ｑに加える。
れた事例を１個取り出し、これをｅとする。この事例ｅ
を被学習概念保持手段３に保持された被学習概念を用い
て弁別する。被学習概念により決定されたクラスが、事
例ｅのクラスと同一の時には、そのままｅを再学習用事
例集合Ｑに加える。
【００２４】被学習概念により決定されたクラスが、事
例ｅのクラスと異なる時には、事例ｅのクラスを被学習
概念のクラスに補正して、再学習用事例集合Ｑに加え
る。
例ｅのクラスと異なる時には、事例ｅのクラスを被学習
概念のクラスに補正して、再学習用事例集合Ｑに加え
る。
【００２５】（ステップＳ３）事例保持手段２に保持さ
れた全ての事例に対して、上記ステップＳ２を繰り返
す。
れた全ての事例に対して、上記ステップＳ２を繰り返
す。
【００２６】なお、被学習概念の表現方法が、ニューラ
ルネット、多数決判別手法などの外部学習手段８の構成
により異なる場合があるが、何れも、属性値を入力とし
て、表現をインタプリトする方法によりクラスは決定で
きるので、本明細書では詳細には述べない。
ルネット、多数決判別手法などの外部学習手段８の構成
により異なる場合があるが、何れも、属性値を入力とし
て、表現をインタプリトする方法によりクラスは決定で
きるので、本明細書では詳細には述べない。
【００２７】事例補正手段４により補正された事例は、
図１では、再学習用事例保持手段５に保持されている。
この再学習用事例は、再学習手段６に送られて、再学習
結果７を生成する。この再学習手段６は、従来の技術で
説明したＩＤ３を用いる。これにより、被学習概念保持
手段３により保持された外部学習手段８により得られた
被学習概念に近似した学習結果を再学習結果７として得
ることとなる。
図１では、再学習用事例保持手段５に保持されている。
この再学習用事例は、再学習手段６に送られて、再学習
結果７を生成する。この再学習手段６は、従来の技術で
説明したＩＤ３を用いる。これにより、被学習概念保持
手段３により保持された外部学習手段８により得られた
被学習概念に近似した学習結果を再学習結果７として得
ることとなる。
【００２８】図３は、本発明を用いて、医療診断データ
による学習実験を行った結果を示すものであり、未知事
例（テスト事例）に対する誤り率を示したものである。
従って、数値が低い程、性能が良い学習手法である。利
用した事例の属性数は２２０、クラス数は７個である。
評価に利用した総事例数は２２０個であり、この中で、
ランダムに１８０個を選んで訓練用事例として、残る４
０個をテスト事例として利用した。実際には、ランダム
に１８０個選択する作業を３０回行っており、図３の効
果は、その平均である。
による学習実験を行った結果を示すものであり、未知事
例（テスト事例）に対する誤り率を示したものである。
従って、数値が低い程、性能が良い学習手法である。利
用した事例の属性数は２２０、クラス数は７個である。
評価に利用した総事例数は２２０個であり、この中で、
ランダムに１８０個を選んで訓練用事例として、残る４
０個をテスト事例として利用した。実際には、ランダム
に１８０個選択する作業を３０回行っており、図３の効
果は、その平均である。
【００２９】「多数決判別」は、外部学習手段８の一つ
である多数決判別法を用いたものである。具体的には、
１８０個の事例を２０個ずつ９グループに分けた。そし
て、その９グループから８グループとる組み合わせを９
通り作成し、この９通りの訓練データに対してそれぞれ
ＩＤ３によりデシジョンツリーを作成した。テスト事例
の判別に際しては、９個のデシジョンツリーを同時に評
価し、各デシジョンツリーのクラス決定の多数決を用い
て、多数決判別法のクラス判定結果とした。図３から分
かるように、多数決判別は、単純にＩＤ３のみを利用し
た場合よりも、４％程度、性能が向上している。これに
対して、本発明を用いると、多数決判別と同一の性能ま
ではその性能は至っていないが、単一のＩＤ３に比べ
て、約２．３％程度優れた性能を持つデシジョンツリー
を獲得している。
である多数決判別法を用いたものである。具体的には、
１８０個の事例を２０個ずつ９グループに分けた。そし
て、その９グループから８グループとる組み合わせを９
通り作成し、この９通りの訓練データに対してそれぞれ
ＩＤ３によりデシジョンツリーを作成した。テスト事例
の判別に際しては、９個のデシジョンツリーを同時に評
価し、各デシジョンツリーのクラス決定の多数決を用い
て、多数決判別法のクラス判定結果とした。図３から分
かるように、多数決判別は、単純にＩＤ３のみを利用し
た場合よりも、４％程度、性能が向上している。これに
対して、本発明を用いると、多数決判別と同一の性能ま
ではその性能は至っていないが、単一のＩＤ３に比べ
て、約２．３％程度優れた性能を持つデシジョンツリー
を獲得している。
【００３０】図３に示すように、本発明は、外部学習手
段８と同一の性能は獲得できないことが多い。しかし、
多数決判別法では、被学習概念が、複数のデシジョンツ
リーに分布して表現されるため、エキスパートシステム
の知識獲得支援としては利用できない。これに対して、
本発明では、単一のツリーとして知識が獲得されるた
め、知識獲得支援として利用できる。この状況は、外部
学習手段としてニューラルネットを利用した場合にも、
同様である。ニューラルネットのままでは、知識獲得支
援には利用できないが、本発明の場合には、そのまま知
識獲得支援に利用できる。
段８と同一の性能は獲得できないことが多い。しかし、
多数決判別法では、被学習概念が、複数のデシジョンツ
リーに分布して表現されるため、エキスパートシステム
の知識獲得支援としては利用できない。これに対して、
本発明では、単一のツリーとして知識が獲得されるた
め、知識獲得支援として利用できる。この状況は、外部
学習手段としてニューラルネットを利用した場合にも、
同様である。ニューラルネットのままでは、知識獲得支
援には利用できないが、本発明の場合には、そのまま知
識獲得支援に利用できる。
【００３１】
【発明の効果】以上説明したように、本発明によれば、
例えばニューラルネットや多数決判別手法等の精度の高
い外部学習手法により事例からの学習を行って作成され
た被学習概念を用いて事例のクラスを判定し、クラスが
異なる時には被学習概念が提示したクラスに変更し、補
正された再学習用事例に対して例えばＩＤ３を用いて再
学習結果を生成するので、外部学習手法により学習され
た結果とほぼ同等の精度を有する近似的なデシジョンツ
リーを生成でき、ＩＤ３をそのまま利用した場合に比べ
て、より高い精度の学習を実現できる。また、人間の可
読性の高いデシジョンツリーを知識表現として利用でき
るので、ニューラルネットや多数決判別等の分布的な概
念表現を用いた場合と異なり、エキスパートシステムの
知識獲得支援に利用できる。
例えばニューラルネットや多数決判別手法等の精度の高
い外部学習手法により事例からの学習を行って作成され
た被学習概念を用いて事例のクラスを判定し、クラスが
異なる時には被学習概念が提示したクラスに変更し、補
正された再学習用事例に対して例えばＩＤ３を用いて再
学習結果を生成するので、外部学習手法により学習され
た結果とほぼ同等の精度を有する近似的なデシジョンツ
リーを生成でき、ＩＤ３をそのまま利用した場合に比べ
て、より高い精度の学習を実現できる。また、人間の可
読性の高いデシジョンツリーを知識表現として利用でき
るので、ニューラルネットや多数決判別等の分布的な概
念表現を用いた場合と異なり、エキスパートシステムの
知識獲得支援に利用できる。
【図１】本発明の一実施例に係わる学習システムの構成
を示すブロック図である。
を示すブロック図である。
【図２】従来技術の例を示す図である。
【図３】本発明の効果として未知事例に対する性能を他
の従来の手法と比較して示す図である。
の従来の手法と比較して示す図である。
１ 学習システム ２ 事例保持手段 ３ 被学習概念保持手段 ４ 事例補正手段 ５ 再学習用事例保持手段 ６ 再学習手段 ８ 外部学習手段
Claims (1)
- 【請求項１】 属性値とクラスから構成される事例を保
持する事例保持手段と、 この事例保持手段に保持された事例から学習手法により
作成された被学習概念を保持する被学習概念保持手段
と、 前記事例を前記被学習概念を用いてクラス判定し、クラ
スが異なる時には前記被学習概念が提示したクラスに変
更する事例補正手段と、 この事例補正手段により補正された再学習用事例から再
学習結果を生成する再学習手段とを有することを特徴と
する学習システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6224983A JPH0887413A (ja) | 1994-09-20 | 1994-09-20 | 学習システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6224983A JPH0887413A (ja) | 1994-09-20 | 1994-09-20 | 学習システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0887413A true JPH0887413A (ja) | 1996-04-02 |
Family
ID=16822267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6224983A Pending JPH0887413A (ja) | 1994-09-20 | 1994-09-20 | 学習システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0887413A (ja) |
-
1994
- 1994-09-20 JP JP6224983A patent/JPH0887413A/ja active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7353214B2 (en) | Outlier determination rule generation device and outlier detection device, and outlier determination rule generation method and outlier detection method thereof | |
| KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
| CN111881289A (zh) | 分类模型的训练方法、数据风险类别的检测方法及装置 | |
| CN113807458A (zh) | 一种基于时空和群体信息改进人脸聚类结果的方法 | |
| CN111767985B (zh) | 一种神经网络的训练方法、视频识别方法及装置 | |
| JP4817502B2 (ja) | デシジョンツリーを生成するためのシステムおよび方法 | |
| CN113326329A (zh) | 一种基于区块链共识推举记账者的方法 | |
| Ma et al. | Stochastic approximations for finite-state Markov chains | |
| Gogoi et al. | A rough set–based effective rule generation method for classification with an application in intrusion detection | |
| EP3452916A1 (en) | Large scale social graph segmentation | |
| US4899290A (en) | System for specifying and executing protocols for using iterative analogy and comparative induction in a model-based computation system | |
| JPH09204310A (ja) | 判断規則修正装置と判断規則修正方法 | |
| CN109697511A (zh) | 数据推理方法、装置及计算机设备 | |
| CN108564167B (zh) | 一种数据集之中异常数据的识别方法 | |
| JPH0887413A (ja) | 学習システム | |
| US5197115A (en) | Inferential system and inferential method | |
| JPH08161172A (ja) | 知識修正型学習システム | |
| US7076098B2 (en) | Adaptive image processing unit for extracting characteristic portion from image | |
| JP3935425B2 (ja) | 遺伝的アルゴリズムを用いた、ネットワーク型情報処理システムの学習装置 | |
| KR102409160B1 (ko) | 복수개의 커뮤니티를 포함하는 네트워크에서 커뮤니티 재구성 방법 및 이를 위한 전자 장치 | |
| KR100727555B1 (ko) | 시간 가중치 엔트로피를 이용한 결정 트리 생성 방법 및이를 기록한 기록매체 | |
| JP3147836B2 (ja) | 知識獲得装置、知識獲得方法及び知識獲得用プログラムを記録した記憶媒体 | |
| JPH05258114A (ja) | 文字認識装置 | |
| JP2019144789A (ja) | 機械学習装置、判定装置、機械学習方法及び判定方法 | |
| JPH0589076A (ja) | ニユーラルネツトワークの追加学習方法 |