计算机可读记录介质、学习方法和学习装置制造方法及图纸

本发明专利技术公开了计算机可读记录介质、学习方法和学习装置。计算机可读记录介质存储有程序，该程序使计算机执行以下处理，该处理包括：根据训练数据生成满足特定条件的多个假设的假设集，每个训练数据包括解释变量和目标变量，多个假设中的每个假设是解释变量的组合，训练数据中的每个训练数据被分类为多个假设中的任何一个；以及执行机器学习过程，以基于多个假设中的每个假设是否包括训练数据中的每个训练数据，来计算假设集中包括的多个假设中的每个假设的权重。

Computer readable recording medium, learning method and learning device

【技术实现步骤摘要】
计算机可读记录介质、学习方法和学习装置
本文讨论的实施方式涉及计算机可读记录介质、学习方法和学习装置。
技术介绍
机器学习用于根据监督的训练数据对数据进行分类的分类规则(即，决策树)并且使用所学习的决策树预测输入数据的分类结果的技术通常用作用于对离散数据进行非线性分类的技术。当在机器学习中使用的规则与机器学习的结果中包括的每个“点”(例如，决策树中的叶子)相关联时，可以以人类可以直接理解的形式(即，可解释的形式)来使用机器学习的结果。例如，当根据训练数据生成决策树时，根据决策树的每个点的输出结果与构成决策树的规则相关联，并且人类可以理解用于确定的理由。以这种方式，决策树的一个特征是人类可以容易地理解预测模型(得出预测结果的规则(理由))。特别是在医疗领域等中，存在以下情况：除了通过机器学习得出预测结果中包括的“点”的规则本身之外，该预测、替代预测的可能性以及得出替代预测的规则也是已知的。此外，当通过基于不充分的数据进行学习来获得输出预测时，期望该事实可以是已知的。然而，在上述常规技术中使用决策树进行的预测中，存在本文档来自技高网...

【技术保护点】
1.一种存储有程序的计算机可读记录介质，所述程序使计算机执行以下处理，所述处理包括：/n根据训练数据生成满足特定条件的多个假设的假设集，每个训练数据包括解释变量和目标变量，所述多个假设中的每个假设是所述解释变量的组合，所述训练数据中的每个训练数据被分类为所述多个假设中的任何一个；以及/n执行机器学习过程，以基于所述多个假设中的每个假设是否包括所述训练数据中的每个训练数据，来计算所述假设集中包括的所述多个假设中的每个假设的权重。/n

【技术特征摘要】
20180918 JP 2018-1742751.一种存储有程序的计算机可读记录介质，所述程序使计算机执行以下处理，所述处理包括：
根据训练数据生成满足特定条件的多个假设的假设集，每个训练数据包括解释变量和目标变量，所述多个假设中的每个假设是所述解释变量的组合，所述训练数据中的每个训练数据被分类为所述多个假设中的任何一个；以及
执行机器学习过程，以基于所述多个假设中的每个假设是否包括所述训练数据中的每个训练数据，来计算所述假设集中包括的所述多个假设中的每个假设的权重。


2.根据权利要求1所述的计算机可读记录介质，其中，所述特定条件是文字的数量等于或小于预定值。


3.根据权利要求1所述的计算机可读记录介质，其中，所述特定条件是通过所述假设分类的训练数据的数量或比例等于或大于预定值。


4.根据权利要求1所述的计算机可读记录介质，其中，所述生成包括：从所述解释变量的组合中仅列出满足所述特定条件的组合作为假设。


5.根据权利要求1所述的计算机可读记录介质，其中，所述生成包括：从所述解释变量的组合中仅列出满足所述特定条件的组合中的文字的数量最小的组...

【专利技术属性】
技术研发人员：岩下洋哲，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP