规则更新程序、规则更新方法以及规则更新装置制造方法及图纸

规则更新程序使计算机执行以下处理：接受对使用了训练数据的第一挖掘而结果生成的规则集合所包括的规则的至少一部分的用户指定；从训练数据确定与接受了用户指定的规则对应的样本数据；以及通过使用限定于与接受了用户指定的规则对应的样本数据的训练数据执行第二挖掘，来获取新规则。来获取新规则。来获取新规则。

【技术实现步骤摘要】
【国外来华专利技术】规则更新程序、规则更新方法以及规则更新装置


[0001]本专利技术涉及规则更新程序、规则更新方法以及规则更新装置。

技术介绍

[0002]从实现能够解释的AI(Artificial Intelligence：人工智能)、即所谓的XAI(Explainable AI：可解释AI)的方面出发，提出了基于规则集合的机器学习模型。
[0003]在上述的机器学习模型的生成中，使用包括与表示数据的性质的多个项目分别对应的特征量和特定的标签的训练数据的样本集合作为数据集。使用训练数据的数据集，执行如下的挖掘：提取网罗地列举了在项目间组合与项目对应的特征量能够取得的数值的组合模式而得到的规则集合中重要度高的规则集合。然后，将通过挖掘得到的规则集合所包括的各规则作为机器学习模型的解释变量，将标签作为机器学习模型的目标变量，并通过回归分析等机器学习决定赋予给各个规则的权重。
[0004]例如，在使用基于规则集合的机器学习模型执行分类、预测等任务的情况下，除了机器学习模型的输出结果之外，还能够提示有助于输出结果的规则集合。这样提示的规则集合能够通过逻辑式表现，所以具有解释性(可解释性)优异的方面。
[0005]除此之外，从实现用户的认可性的提高的方面出发，提出了列举多个线性回归模型的方法。例如，逐个交换线性回归模型所包括的特征量来生成同等程度的精度的模型，或者将线性回归模型所使用的特征量集合整体置换为其它的集合来生成同等程度的精度的模型。
[0006]非专利文献1：Satoshi Hara and Takanori Maehara.Finding alternate features in lasso.In NIPS 2016workshop on Interpretable Machine Learning for Complex Systems,2016.
[0007]非专利文献2：Satoshi Hara and Takanori Maehara.Enumerate lasso solutions for feature selection.In Proceedings of the Thirty
‑
First AAAI Conference on Artificial Intelligence,AAAI
’
17,page 1985
‑
1991.AAAI Press,2017.
[0008]然而，具有在上述的规则集合中，不仅限于仅包括必定能够从用户得到认可的规则，还混有得不到用户的认可的规则的方面。因此，基于上述的规则集合的机器学习模型具有虽然解释性优异但另一方面认可性欠缺的一面。
[0009]虽说如此，使用列举多个线性回归模型的方法，也难以获得减少了得不到用户的认可的规则的数目的规则集合。这是因为，列举多个线性回归模型的方法终归不过是将对各个特征量赋予权重的线性回归模型作为前提的技术，因而难以直接应用于对规则赋予权重的机器学习模型。

技术实现思路

[0010]在一个方面，目的在于提供能够实现基于规则集合的机器学习模型的认可性提高的规则更新程序、规则更新方法以及规则更新装置。
[0011]一方式的规则更新程序使计算机执行以下处理：接受对使用了训练数据的第一挖掘而结果生成的规则集合所包括的规则的至少一部分的用户指定；从上述训练数据确定与接受了上述用户指定的规则对应的样本数据；以及通过使用限定于与接受了上述用户指定的规则对应的上述样本数据的训练数据执行第二挖掘，来获取新规则。
[0012]能够实现基于规则集合的机器学习模型的认可性提高。
附图说明
[0013]图1是表示实施例1的服务器装置的功能构成例的框图。
[0014]图2是表示机器学习模型的生成方法的一个例子的图。
[0015]图3是表示规则更新方法的一个例子的图。
[0016]图4是表示训练数据的样本集合的一个例子的图。
[0017]图5是表示训练数据的样本集合的一个例子的图。
[0018]图6是表示初始规则的集合的一个例子的图。
[0019]图7是表示第一模型数据的一个例子的图。
[0020]图8是表示正例规则的再挖掘的一个例子的图。
[0021]图9是表示新规则的一个例子的图。
[0022]图10是表示第二模型数据的一个例子的图。
[0023]图11是表示实施例1的规则更新处理的顺序的流程图。
[0024]图12是表示硬件构成例的图。
具体实施方式
[0025]以下，参照附图对本申请的规则更新程序、规则更新方法以及规则更新装置进行说明。此外，其实施例并不对公开的技术进行限定。而且，各实施例能够在不使处理内容矛盾的范围内适当地组合。
[0026]实施例1
[0027]图1是表示实施例1的服务器装置10的功能构成例的框图。图1所示的服务器装置10提供将机器学习模型的生成所使用的规则集合中得不到用户的认可的规则更新为新的代替规则的规则更新功能。
[0028]作为一个方面，这样的规则更新功能能够被打包化为生成基于规则集合的机器学习模型的模型生成服务的一个功能。此外，上述的规则更新功能也可以并不一定打包化为上述的模型生成服务，也可以作为通过上述的模型生成服务或者其它的服务参照的程序库所包括的模块之一来提供。
[0029]能够通过使实现上述的规则更新功能的规则更新程序安装于任意的计算机来安装服务器装置10。作为一个例子，服务器装置10能够安装为预置(on
‑
premise)地提供上述的规则更新功能的服务器。作为其它的一个例子，服务器装置10也能够通过安装为SaaS(Software as a Service：软件即服务)型的应用程序，来提供上述的规则更新功能作为云服务。
[0030]另外，如图1所示，服务器装置10能够经由网络NW，以能够通信的方式与客户端终端30连接。例如，网络NW不管有线或者无线，可以是因特网、LAN(Local Area Network：局域
网)等任意种类的通信网。
[0031]客户端终端30是接受上述的规则更新功能的提供的计算机的一个例子。例如，个人计算机等的台式计算机等能够与客户端终端30对应。这仅为一个例子，客户端终端30可以是膝上型计算机、移动终端装置、可穿戴终端等任意的计算机。
[0032]此外，虽然在图1中列举了由客户端服务器系统提供上述的规则更新功能的例子，但并不限定于该例子，也可以由独立系统提供上述的规则更新功能。
[0033]接下来，例示本实施例的基于规则集合的机器学习模型的生成方法。图2是表示机器学习模型的生成方法的一个例子的图。在图2所示的训练数据的数据集21中能够包括有包括与表示数据的性质的多个项目分别对应的特征量和特定的标签的训练数据的样本集合。此外，在图2中，作为机器学习的任务的一个例子，列举生成进行类别分类的机器学习模型的例本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种规则更新程序，其特征在于，使计算机执行以下处理：接受对使用了训练数据的第一挖掘而结果生成的规则集合所包括的规则的至少一部分的用户指定；从上述训练数据确定与接受了上述用户指定的规则对应的样本数据；以及通过使用限定于与接受了上述用户指定的规则对应的上述样本数据的训练数据执行第二挖掘，来获取新规则。2.根据权利要求1所述的规则更新程序，其特征在于，上述接受的处理包括以下处理：从上述训练数据接受任意一个样本数据的指定来作为上述用户指定，上述获取的处理包括以下处理：使用限定于通过上述确定的处理确定出的上述样本数据和接受了上述用户指定的上述样本数据的训练数据，执行上述第二挖掘。3.根据权利要求1所述的规则更新程序，其特征在于，上述训练数据包括赋予了正例的标签的样本数据的集合以及赋予了负例的标签的样本数据的集合，上述获取的处理包括以下处理：通过使用通过上述确定的处理确定出的上述样本数据中赋予了上述正例的标签的样本数据和赋予了上述负例的标签的样本数据的集合执行上述第二挖掘，来获取规则的归结部与上述正例的类别对应的上述新规则。4.根据权利要求1所述的规则更新程序，其特征在于，上述训练数据包括赋予了正例的标签的样本数据的集合以及赋予了负例的标签的样本数据的集合，上述获取的处理包括以下处理：通过使用通过上述确定的处理确定出的上述样本数据中赋予了上述负例的标签的样本数据和赋予了上述正例的标签的样本数据的集合执行上述第二挖掘，来获取规则的归结部与上述负例的类别对应的上述新规则。5.根据权利要求1所述的规则更新程序，其特征在于，上述获取的处理包括以下处理：基于比在上述第一挖掘时使用的支持度的下限值小的支持度的下限值，执行上述第二挖掘。6.根据权利要求1所述的规则更新程序，其特征在于，上述获取的处理包括以下处理：基于比在上述第一挖掘时使用的确信度的下限值小的确信度的下限值，执行上述第二挖掘。7.根据权利要求1所述的规则更新程序，其特征在于，还使上述计算机执行以下处理：通过将上述新规则追加至上述规则集合，并且删除上述规则集合中接受了上述用户指定的规则，来更新上述规则集合。8.根据权利要求7所述的规则更新程序，其特征在于，还使上述计算机执行以下处理：通过基于通过上述更新的处理更新后的规则集合执行使用了上述训练数据的机器学习，来生成机器学习模型。9.根据权利要求8所述的规则更新程序，其特征在于，上述生成的处理包括以下处理：通过将通过上述更新的处理更新后的规则集合所包括的各规则作为解释变量，将赋予给上述训练数据的标签作为目标变量，并通过机器学习决定赋予给各规则的权重，来生成上述机器学习模型。
10.一种规则更新方法，其特征在于，计算机执行以下处理：接受对使用了训练数据的第一挖掘而结果生成的规则集合所包括的规则的至少一部分的用户指定；从上述训练数据确定与接受了上述用户指定的规则对应的样本数据；以及通过使用限定于与接受了上述用户指定的规则对应的上述样本数据的训练数据执行第二挖掘，来获取新规则。11.根据权利要求...

【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：