JPH0922405A - 非線形モデル生成方法 - Google Patents

Abstract

(57)【要約】 【目的】クライアントとサーバを利用して、大量データ
から非線形モデルを構築すること、大量データからの非
線形モデルの構築期間を短縮することを目的とする。 【構成】２つ以上の項目と２つ以上のレコードを持つデ
ータである元データからの非線形モデルの作成する非線
形モデル生成方法であって、元データを圧縮する特徴保
存圧縮処理（１０２）を行い、圧縮済みデータをネット
ワーク上のサーバにて作成して、作成された圧縮済みデ
ータをサーバからクライアントに転送するデータ転送処
理（１０３）を行い、圧縮済みデータを用いて、クライ
アントにて予め定められた非線形モデルを作成するため
のモデル生成パラメータを調整し（１０４〜１０７）、
調整されたモデル生成パラメータを用いて、サーバにて
元データから非線形モデルを生成するモデル生成処理
（１０９）を行う。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、クライアントサーバー
システムを利用して、サーバが保持するデータベースに
格納された数値または記号で表現された情報の集まりか
ら非線形モデルを生成する方法に関する。

【０００２】

【従来の技術】計算機の高速化、ディスクの大容量化に
伴い、蓄積されるデータ量は増大しつつある。またネッ
トワーク化が進むにつれ、クライアントからのデータベ
ース利用技術も進歩しつつある。

【０００３】ユーザが大量のデータから直接獲得できる
情報は限られている。条件を設定し、興味のあるデータ
のみ抽出したり、ニューロモデル等のモデルを構築して
予測や診断に活用することにより、データに埋もれた情
報を獲得できる。大量データから非線形モデルを構築す
る代表的な手法として以下の３つが知られている。

【０００４】（１）ニューロモデルを利用する方法 ニューロモデルの構築方法に関しては、多くの文献に記
載されている。例えば、第５回ファジィシステムシンポ
ジウム講演論文集183ページから188ページにおいて林勲
他によるニューラルネット駆動型ファジィ推論による倒
立振子の学習制御なる文献に解説がある。（以下、従来
技術１と呼ぶ） （２）ルール抽出アルゴリズムを利用する方法 ルール抽出システム（RI:Rule Induction System）と
は、所定のルール抽出アルゴリズムを利用して、記号で
表現されたカテゴリデータからデータの特徴を抽出し、
ルール形式で表現するシステムである。

【０００５】代表的なルール抽出アルゴリズムID3につ
いては、Ｔｉｏｇａ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐ
ａｎｙのＭａｃｈｉｎｅ Ｌｅａｒｎｉｎｇの463ペー
ジから482ページにおいて、J.R.QuinlanによるLearning
Efficient Classification Process and Their Applic
ation to Chess End Gamesに詳細が述べられている。
（以下、従来技術２と呼ぶ） （３）統計モデルを利用する方法 重回帰モデルのような統計モデルは広く一般的に知られ
ており、ここで詳しくは述べない。（以下、従来技術３
と呼ぶ） また、ネットワークを考慮したデータベース利用技術と
して、例えば、「サーバのRDBの直結-基幹データを表計
算ソフトへ」と題して、日経コンピュータ1993年7月12
日号の67ページから75ページに記載されている（以下従
来技術４と呼ぶ）。この論文では、データを保持したサ
ーバとユーザが利用するクライアントがネットワークで
接続されている。クライアントから表計算ソフトを利用
して、検索要求を出すと、SQL(Structured Query Langu
age)などで記載された検索命令がサーバに送られ、サー
バで検索が実行され、検索結果がクライアントに転送さ
れる。クライアントは検索結果を表計算ソフトの形式に
整形して表示する。

【０００６】

【発明が解決しようとする課題】上記、従来技術１、
２、３で述べられている従来の非線形モデル生成方法
は、モデル生成のアルゴリズムに関するものであり、従
来技術４で述べられているようなクライアントとサーバ
を意識したものではない。したがって、データは処理を
実行する装置上になければならない。または、処理を実
行する装置上に集めなくてはならないので、ネットワー
クの負荷がかかるという問題が生じる。

【０００７】また、１０万件を越えるような大量データ
を想定したものではないので、大量データを扱った場
合、パラメータ設定に試行錯誤を要することからも、モ
デル生成にかなりの時間を要するという問題が生じる。

【０００８】上記、従来技術４で述べられているデータ
ベース技術は、ネットワークを活用し、大量データをク
ライアントから高速に検索するものであるが、実行する
処理は検索に限られており、ルール生成等のモデル生成
処理は想定されていない。

【０００９】上記従来技術１、２、３、４の問題点に鑑
み、本発明は、クライアントとサーバを利用した非線形
モデル生成方法の構築を第１の目的とする。

【００１０】さらに、１０万件を越えるような大量デー
タから高速に非線形モデルを構築できる非線形モデル生
成方法の構築を第２の目的とする。

【００１１】

【課題を解決するための手段】上記の目的達成のため、
本発明の非線形モデル生成方法では、圧縮したデータ
（圧縮済みデータ）をサーバからクライアントに転送
し、圧縮済みデータを用いて、クライアントにてモデル
生成パラメータを調整する予備実験方法と、調整したパ
ラメータを用いて、サーバにて元データからモデルを生
成するモデル生成処理と、圧縮済みデータを含む生成し
たモデルの入出力関係を表すモデル特性情報をクライア
ントに転送するモデル特性情報転送処理、クライアント
にて転送された情報を表示するモデル特性情報表示処理
を備えている。

【００１２】特に本発明の望ましい態様では、データの
圧縮処理に、レコード間の距離を測定し、該距離があら
かじめ設定したしきい値よりも小さい場合、１点に代表
させる特徴保存圧縮処理をおこない、圧縮のパラメータ
を指定する特徴保存圧縮パラメータ指定処理は、特徴保
存圧縮に利用する項目を選択する処理と、前記しきい値
を設定する処理と、該しきい値により特徴保存圧縮を施
した特徴保存圧縮済みデータの総レコード数を確認し、
しきい値を再設定または了解する処理を備えている。

【００１３】特徴保存圧縮処理は、圧縮処理により選択
されたデータが代表するレコード数を、そのレコードの
重みとして設定することを特徴とする。

【００１４】モデル生成のパラメータを設定する処理
は、モデル生成に利用する項目を選択する項目選択処理
と、新たな項目を生成する項目生成処理と、数値データ
をカテゴリデータに変換するカテゴリ化処理と、生成す
るモデルの種類ごとに固有のパラメータを設定する処理
を備える。

【００１５】さらに具体的には、前記カテゴリ化処理
は、前記項目ごとに、圧縮したデータから近似的に元デ
ータのヒストグラムを表示する処理と、表示されたヒス
トグラムに重ねて表示されたポインタを操作するための
入力処理と、該ポインタを用いて該項目の定義域を所定
の位置で区切って幾つかの区間に分割し、それぞれの区
間にカテゴリを割り当てて、前記数値データをその数値
データが含まれる区間に対応するカテゴリに変換する処
理とを備えたことを特徴とする。

【００１６】モデル特性情報表示処理は、サーバにて特
徴保存圧縮を施したデータと生成したモデルをグラフィ
ック表示する処理と、グラフィック表示と重ねて表示さ
れたポインタを用いて、データを指定することにより、
データのグラフィック表示された項目以外の項目の値も
表示する処理を備えたことを特徴とする。

【００１７】

【作用】上述の第１の目的達成のため、以下の処理を実
行する。

【００１８】まず、クライアントで設定されたパラメー
タに従い、サーバに保存されているデータを圧縮する
（処理１０１、１０２（図１））。ここで、圧縮方法と
して、データ間の距離を測定し、その距離があらかじめ
設定したしきい値よりも小さな場合にまとめて１点に代
表させる特徴保存圧縮処理も利用できる。特徴保存圧縮
保存処理を用いる場合、特徴保存圧縮に利用する項目を
選択する処理（処理２０２（図２））により、圧縮の精
度を全く落とさずに、圧縮を高速化することも可能であ
る。また、圧縮済みデータのレコード数をクライアント
にて確認することにより（処理２０４（図１））、不必
要な圧縮処理を防げる。

【００１９】続いて、データ転送処理により、圧縮した
データをサーバからクライアントに転送する（処理１０
３（図１））。

【００２０】クライアントでは、転送されたデータを用
いて、モデル生成のパラメータを決定する予備実験をお
こなう（処理１０４、１０５、１０６、１０７（図
１））。

【００２１】パラメータが決定した後、パラメータをサ
ーバに転送し（処理１０８（図１０８）、サーバにて、
転送されたパラメータを用いてモデル生成処理をおこな
う（処理１０９）。

【００２２】特徴保存圧縮されたデータ（特徴保存圧縮
処理１１１）を含む、生成したモデルの入出力関係を表
すモデル特性情報は、クライアントに転送される（処理
１１２（図１））。

【００２３】クライアントでは、転送されたモデル特性
情報をグラフィック表示し、ユーザが生成したモデルを
判定し、満足できない場合は、モデル生成パラメータを
再設定し（処理１１５（図１））、モデル生成を繰り返
す。

【００２４】以上の処理により、クライアントとサーバ
を利用した非線形モデル生成が可能になる。

【００２５】上述の第２の目的達成のため、以下の処理
を実行する。

【００２６】大量データからモデルを生成する場合、１
回のモデル生成に要する時間はデータ量に比例して増大
するので、大量データ全てを用いて試行錯誤によりパラ
メータを設定するには莫大な時間がかかる。そこで、本
発明では、圧縮処理により、試行錯誤可能なサイズのデ
ータをパラメータ設定用に抽出して、モデル生成を繰り
返す（処理１０４、１０５、１０６）。

【００２７】その結果、パラメータ設定に要する時間を
大幅に削減できる。

【００２８】また、圧縮処理として、特徴保存圧縮を利
用した場合（処理１０２（図１）、圧縮前の元データの
特徴を保持したデータを予備実験用データとして得られ
るので、精度の高いパラメータ設定が期待できる。

【００２９】また、モデルの入出力関係をグラフィック
表示する際にも、圧縮したデータを転送し、表示するこ
とから、データ表示に要する時間を大幅に削減できる。

【００３０】以上の処理から、本発明では、大量データ
からのモデル開発期間が大幅に短縮されることにより、
実用かつ実現可能になる。

【００３１】

【実施例】まず、特徴保存圧縮方法について概説する。
特徴保存圧縮技術は、Y.Linde, A.Buzo and R.M.Gray:
"An Algorithm for Vector Quantization", IEEE Tran
s.Commun.,COM-28,1,pp.84-95(Jan.1980)に記載されて
いるように、特徴を保存したままデータベースを圧縮す
る場合、レコードを多次元ベクトルと考え、多次元空間
を所定の領域に分割し、領域ごとの量子化代表ベクトル
の初期値を定め、LBGアルゴリズムを用いて収束させれ
ば実現できる。

【００３２】以下、図面を用いて、本発明の実施例につ
いて説明する。本実施例は非線形モデルとしてルールモ
デルを用いる。

【００３３】図１は、本発明の対象である非線形モデル
生成方法のフローチャートである。この方法を用いて非
線形モデル生成の対象とするデータの項目の中から１つ
以上の入力と、唯一の出力を選択し、それらの入出力関
係を表す非線形モデルを生成する。

【００３４】図１において１０１は特徴保存圧縮パラメ
ータ指定処理、１０２は特徴保存圧縮処理、１０３はデ
ータ転送処理、１０４はモデル生成パラメータ設定処
理、１０５はモデル生成処理、１０６はモデル特性情報
表示処理、１０７はモデル判定処理、１０８はモデル生
成パラメータ転送処理、１０９はモデル生成処理、１１
０は特徴保存圧縮パラメータ指定処理、１１１は特徴保
存圧縮処理、１１２はモデル特性情報転送処理、１１３
はモデル特性情報表示処理、１１４はモデル判定処理、
１１５はモデル生成パラメータ設定処理である。

【００３５】本実施例では、サーバが保持しているデー
タの１部を特徴保存圧縮により圧縮し、圧縮済みデータ
をクライアントに転送し、モデルの生成パラメータを決
定し、決定したパラメータをサーバに転送し、サーバに
て、全データを用いてモデルを生成し、生成したモデル
と、新たに圧縮したデータをクライアントに転送し、ク
ライアントにてモデルを評価する所に特徴がある。

【００３６】図１の各処理について詳しく説明する。

【００３７】特徴保存圧縮パラメータ指定処理１０１の
詳細を図２に示す。図２に示す通り、特徴保存圧縮パラ
メータ指定処理１０１は、項目読み込み処理２０１、特
徴保存圧縮利用項目指定処理２０２、特徴保存圧縮しき
い値指定処理２０３、レコード判定処理２０４からな
る。

【００３８】項目読み込み処理２０１は、クライアント
からサーバに、データ中の全項目名の抽出を指示する。
特徴保存圧縮利用項目指定処理２０２は、全項目名の中
から、特徴保存圧縮に利用する項目を選択し、サーバに
転送する。特徴保存圧縮しきい値指定処理２０３は、ク
ライアントにて、特徴保存圧縮のしきい値を設定し、サ
ーバに転送する。図２において、クライアントからサー
バに転送される特徴保存圧縮利用項目名と特徴保存圧縮
しきい値を合わせたものが、図１における特徴保存圧縮
パラメータ情報である。レコード判定処理２０４は、ユ
ーザが圧縮後のレコード数に満足すればサーバにデータ
の転送を指示し、満足できなければ、特徴保存圧縮しき
い値指定処理２０３に戻る。

【００３９】モデル生成パラメータ設定処理１０４で
は、モデル生成のためのパラメータを設定する。ルール
モデルを生成する場合、 b)モデル生成に利用する項目の選択 c)新たな項目の生成（ex.移動平均） d)数値データのカテゴリデータへの変換（ルールモデル
のみ） e)生成ルール数 f)ルール生成方法 g)一般性パラメータ を設定する。

【００４０】モデル生成処理１０５では、圧縮済みデー
タ、モデル生成パラメータを入力とし、ルールモデル
と、ルールモデル生成に利用した特徴保存圧縮済みデー
タを出力する。

【００４１】モデル特性情報表示処理１０６では、圧縮
済みデータとルールモデルをグラフィック表示する。ま
た、ルール文も表示する。

【００４２】処理１０７では、ルール文、ルールの汎用
性、ルールの精度、ルールとデータのグラフィック表示
からユーザが生成したモデルに満足したかどうか判断す
る。満足できた場合はモデル生成パラメータ転送処理１
０８に移り、満足できなかった場合は、モデル生成パラ
メータ設定処理１０４に戻る。

【００４３】モデル生成パラメータ転送処理１０８で
は、モデル生成パラメータ設定処理１０４で設定したモ
デル生成パラメータをクライアントからサーバに転送す
る。

【００４４】モデル生成処理１０９は、設定したパラメ
ータに従い、サーバの元データからルールモデルを生成
し、生成したルールモデルを出力する。

【００４５】モデル特性情報転送処理１１２は、モデル
の特性を表すモデル特性情報と、特徴保存圧縮を施した
特徴保存圧縮済みデータをクライアントに転送する。

【００４６】以上の非線形モデル自動生成方法の動作を
デパートのダイレクトメール発送地域の選択問題を用い
て説明する。あるデパートでは毎年都内の住民に「会員
カード」を勧めるダイレクトメールを発送しているが、
平均応答率がおもわしくない。そこで、過去のデータを
用いて、応答率が良い地域、悪い地域の特性をルール形
式で抽出し、今後のダイレクトメール発送戦略の立案に
役立てる。

【００４７】図３の形式で、デパートが独自に定めた営
業地域ごとの特性を表すデータがホストマシンに数万件
保存されている。このホストは他の業務にも利用される
ので、モデル生成をおこなる営業担当者はクライアント
マシンからこのホストにアクセスし、ダイレクトメール
に対する応答が良い地域、悪い地域の特徴をルール形式
で抽出する。

【００４８】まず、特徴保存圧縮に利用する項目を選択
する。モデル生成に利用しない項目は、特徴保存圧縮に
利用する必要はない。ここでは、担当者の経験から項目
子供（子供の人数）を省くことにした。続いて、特徴保
存圧縮のしきい値を設定する。しきい値は０以上１以下
の実数とする。データ間の距離を計算する時、すべての
項目について、０以上１以下の値に規格化する。カテゴ
リデータに関しては、デフォルトでは、一致した場合は
距離０、一致しなかった場合は距離１とする。カテゴリ
間の順序関係をユーザが掴んでいるのであれば、０以上
１以下の範囲内で、各カテゴリの位置を定義してもよ
い。しきい値を０とすると、全ての利用項目の値が一致
した場合のみ同一内容のデータとみなし圧縮し、しきい
値を１とすると、全てのデータが同一内容のデータと判
断される。

【００４９】しきい値を入力すると、サーバで特徴保存
圧縮を実行し、圧縮後のデータ数をクライアントに転送
する。この場合、約１０万件のデータをしきい値０．２
とすると約５千件に圧縮できたので、担当者は満足し、
{symbol 148 \f "Times NewRoman"|}O.K{symbol 148 \f
"Times New Roman"|}と入力する。すると、圧縮された
約５千件のデータがサーバからクライアントに転送され
る。圧縮されたデータには、各レコードが代表するレコ
ード数が重みとして付加される。特徴保存圧縮を施した
後のデータを図４に示す。

【００５０】クライアントにて、ルールモデル生成の前
処理をおこなう。まず、モデル生成に利用するあらたの
項目の生成である。例えば、年収を扶養家族＋１で割っ
た平均収入という新たな項目を定義する。次ぎにモデル
生成に利用する項目の選択をおこなう。ここでは、全て
の項目を選択する。次ぎに数値データを全てカテゴリデ
ータに変換する。分割数を入力項目に関してはいずれも
３、出力項目に関しては２、カテゴリは入力項目に関し
てはいずれも小、中、大、出力変数に関しては低、高を
用いる。図５にヒストグラムの例を示す。生成ルール
数、一般性の尺度を設定し、ルールモデルを生成する。
ユーザは生成したモデルに満足するまで、入力項目、分
割数、分割位置、生成ルール数、一般性の尺度を変更す
る。ユーザが満足したルールを図６に示す。ここまでが
予備実験である。予備実験では上記のように試行錯誤を
繰り返すが、データ数が５千、項目が２０程度であれ
ば、一般的なパーソナルコンピュータでも、新たな項目
の生成には数秒、ルールの生成には１、２分しかかから
ないので、充分試行錯誤を繰り返すことができる。

【００５１】生成したモデルに満足すると、設定した入
出力項目、カテゴリ化の分割位置とカテゴリ名、生成ル
ール数、一般性の尺度のモデル生成パラメータ情報をホ
ストコンピュータに転送する。ホストコンピュータでは
圧縮する前の元データに対し、ルール生成を実行する。
生成したモデルは、図７に示すルール文情報と、図８に
示すカテゴリ化情報を合せたモデル特性情報としてクラ
イアントに転送される。

【００５２】ルールをグラフィック表示する場合、デー
タと同時に表示できる。

【００５３】データを３次元のグラフィック上で表示す
る場合、１０万件のデータを全て同時に表示しても、識
別不可能なので、特徴保存圧縮をおこない、みかけ上の
レコード数を減らす。予備実験時と同様に、まずクライ
アントから特徴保存圧縮に利用する項目名を入力する。
デフォルトは、モデルに利用された項目名全てである。
ここではデフォルトの項目を利用する。次に特徴保存圧
縮のしきい値を入力する。グラフィック表示上で識別す
るため、１０００レコード程度に圧縮する。圧縮したレ
コードとルールモデルの情報は、モデル特性情報として
クライアントに転送する。ユーザが望むならば、ルール
モデルの情報のみ転送することも可能である。クライア
ントでは転送されたモデル特性情報を表示する。図９に
ルールモデルとデータを同時表示した例を示す。転送さ
れるルール文情報、カテゴリ化情報は、せいぜい10kバ
イトである。圧縮済みデータも、グラフィック情報では
ないので、１０００レコード、２０項目程度であれば、
せいぜい10Mバイトである。グラフィック表示前のデー
タを転送するメリットとしては、転送するバイト数が少
なくなることと、グラフィック表示時に表示軸の変更、
表示角度の変更に伴い、いちいちサーバに参照に行く必
要がなくなり、表示を高速化できる。

【００５４】生成したルールに満足できなければ、パラ
メータを再設定し、ルール生成を繰り返す。ここでの繰
り返しは、全てのデータ（約１０万件）を利用するの
で、一般的なワークステーションでは数十分要するが、
予備実験を済ませているので、数回で満足できるルール
を生成できる。

【００５５】

【発明の効果】本発明の非線形モデル生成方法により、
非線形モデルの生成に伴うパラメータの設定を高速にお
こなうことが可能になる。この予備実験は、ランダムサ
ンプルしたデータではなく、特徴保存圧縮をしたデータ
を用いるので、ランダムサンプルに比べ、精度の高い予
備実験ができる。また、予備実験をクライアントにてお
こなうことにより、サーバおよびネットワークの負荷を
軽減し、サーバを他の業務に有効に活用できる。また、
生成したモデルを表示する際、モデルの画像データでは
なく、モデルの構造データを転送するため、視点変更
や、表示座標の変換の際、サーバにアクセスする必要が
ない。その結果、高速にこれらの機能を実現できる。多
入力の非線形モデルの画像データはモデルの一面を詳細
に表示するものであり、全ての情報を同時に表現できる
ものではない。

【００５６】また、モデル生成に利用したデータを表示
する場合、全データではなく、特徴保存圧縮を施したデ
ータを転送することにより、転送データ量を削減し、ホ
ストとネットワークの負荷を軽減できる。大量データを
表示する場合、画面上で判別できるレコード数には限度
がある。データをある面積を持った円で描けば、ある一
定範囲内のデータは互いに重なり合い、識別不能にな
る。特徴保存圧縮を施したデータならば、データの特徴
は残したまま、見かけ上のレコード数は減少しているの
で、転送データ量が減少する上に、視覚的効果も得られ
る。

【００５７】本発明によれば、特徴保存圧縮に利用する
項目をユーザ入力可能にすることにより、ユーザがモデ
ル生成に利用する項目のみ特徴保存圧縮に利用する項目
として指定することにより、モデル生成に関して、特徴
保存圧縮の質を全く落とさずに高速化できる。また、設
定したしきい値によって特徴保存圧縮を施した後の特徴
保存圧縮済みデータの総レコード数を確認し、再設定可
能にすることにより、無駄な特徴保存圧縮処理を防ぐこ
とができる。

【００５８】本発明によれば、特徴保存圧縮済みデータ
に新たに重み項目を設定し、各々のレコードに、そのデ
ータが代表するレコード数を重み項目の値とすることに
より、しきい値の誤差の範囲内で特徴保存圧縮を施す前
のデータを近似的に再現し、モデル生成に活用すること
も可能である。

【００５９】本発明によれば、特徴保存圧縮済みデータ
から、特徴保存圧縮のしきい値の誤差の範囲内で、元デ
ータのヒストグラムを再現し、表示できる。また、表示
したヒストグラムは、重ねて表示されたポインタによ
り、位置を指定できる。

【図面の簡単な説明】

【図１】本発明の実施例に係る非線形モデル生成方法の
フローチャートである。

【図２】第１の実施例に係る特徴保存圧縮パラメータ指
定処理のフローチャートである。

【図３】実施例における元データの例を示す図である。

【図４】実施例における特徴保存圧縮済みデータの例を
示す図である。

【図５】実施例におけるカテゴリ化処理におけるヒスト
グラムの例を示す図である。

【図６】実施例における予備実験で生成した非線形モデ
ルをルール文で表記した例を示す例である。

【図７】実施例におけるルール文情報の例を示す図であ
る。

【図８】実施例におけるカテゴリ化情報の例を示す図で
ある。

【図９】実施例におけるルールとデータのグラフィック
表示の例を示す図である。

【符合の説明】

１０１…特徴保存圧縮パラメータ指定処理、１０２…特
徴保存圧縮処理、１０３…データ転送処理、１０４…モ
デル生成パラメータ設定処理、１０５…モデル生成処
理、１０６…モデル特性情報表示処理、１０７…モデル
判定処理、１０８…モデル生成パラメータ転送処理、１
０９…モデル生成処理、１１０…特徴保存圧縮パラメー
タ指定処理、１１１…特徴保存圧縮処理、１１２…モデ
ル特性情報転送処理、１１３…モデル特性情報表示処
理、１１４…モデル判定処理、１１５…モデル生成パラ
メータ設定処理

───────────────────────────────────────────────────── フロントページの続き (72)発明者 高橋 ヨリ 神奈川県横浜市戸塚区戸塚町5030番地 株 式会社日立製作所ソフトウエア開発本部内

Claims (4)

【特許請求の範囲】
1. 【請求項１】２つ以上の項目と２つ以上のレコードを持
   つデータである元データからの非線形モデルの作成する
   非線形モデル生成方法において、 前記元データを圧縮して圧縮済みデータをネットワーク
   上のサーバにて作成して、作成された圧縮済みデータを
   前記サーバから前記ネットワーク上のクライアントに転
   送し、 前記圧縮済みデータを用いて、クライアントにて予め定
   められた前記非線形モデルを作成するためのモデル生成
   パラメータを調整し、 調整されたモデル生成パラメータを用いて、前記サーバ
   にて前記元データから非線形モデルを生成することを特
   徴とする非線形モデル生成方法。
2. 【請求項２】請求項１に記載の非線形モデル生成方法に
   おいて、 生成された非線形モデルの入出力関係を表すモデル特性
   情報を前記クライアントに転送し、 前記クライアントにて転送されたモデル特性情報を表示
   することを特徴とする非線形モデル生成方法。
3. 【請求項３】請求項１に記載の非線形モデル生成方法に
   おいて、 前記レコード間の距離を測定し、 測定された距離があらかじめ設定したしきい値よりも小
   さい場合、所定の１点に代表させることにより前記元デ
   ータを圧縮することを特徴とする非線形モデル生成方
   法。
4. 【請求項４】請求項１に記載の非線形モデル生成方法に
   おいて、 前記元データが代表するレコード数を、前記レコードの
   重みとして設定し、 設定された重みに基づいて、前記元データを圧縮するこ
   とを特徴とする非線形モデル生成方法。