JP2002202889A - Prediction analyzing device and prediction analyzing program and recording medium with its program recorded - Google Patents
Prediction analyzing device and prediction analyzing program and recording medium with its program recordedInfo
- Publication number
- JP2002202889A JP2002202889A JP2001307179A JP2001307179A JP2002202889A JP 2002202889 A JP2002202889 A JP 2002202889A JP 2001307179 A JP2001307179 A JP 2001307179A JP 2001307179 A JP2001307179 A JP 2001307179A JP 2002202889 A JP2002202889 A JP 2002202889A
- Authority
- JP
- Japan
- Prior art keywords
- value
- prediction
- analysis
- attribute
- data
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、過去に蓄積された
既知データを用いて未知データの予測を行うときにあっ
て、予測結果を希望する結果へと変更するためには、ど
うしたら良いのかということについて提示する機能を実
現する予測分析装置と、その予測分析装置の実現に用い
られる予測分析プログラムと、その予測分析プログラム
を記録した記録媒体とに関する。BACKGROUND OF THE INVENTION The present invention relates to predicting unknown data using known data accumulated in the past, and how to change the prediction result to a desired result. The present invention relates to a prediction analysis device that realizes a function of presenting the above, a prediction analysis program used to realize the prediction analysis device, and a recording medium that records the prediction analysis program.
【０００２】近年、コンピュータやインターネットの発
達により、遠隔地も含めての様々かつ大量な情報を容易
に入手可能となった。また、記憶装置の高密度化、低価
格化により、それらの得られた情報の蓄積も容易となっ
た。[0002] In recent years, with the development of computers and the Internet, various and large amounts of information including those at remote locations have become easily available. In addition, due to the high density and low price of the storage device, it is easy to accumulate the obtained information.
【０００３】例えば、流通業におけるＰＯＳ(Point Of
Sale) システムでは、全国各地の小売店の売り上げ内容
を本社コンピュータなどに集めることが可能であり、時
間と販売された商品の関係として刻々と蓄積されてい
る。この他にも、製造業における各種製造装置の条件と
製造された製品の歩留りデータや、金融業における個人
のクレジットカード使用状況や、保険業における保険使
用者の個人データと使用状況の情報など、大量の情報が
蓄積されている分野は多岐にわたる。[0003] For example, POS (Point Of
The Sale) system allows the sales contents of retail stores all over the country to be collected on the computer at the head office, etc., and is accumulated every moment as a relationship between time and the sold product. In addition to this, the conditions of various manufacturing equipment in the manufacturing industry and the yield data of manufactured products, the credit card usage status of individuals in the financial industry, personal data and usage status of insurance users in the insurance business, etc. There are many fields where large amounts of information are stored.
【０００４】これらの大量の蓄積データに内在する因果
関係や規則と言った価値ある情報を、自動的かつ効率的
に抽出し、ビジネスに役立たせたいという要望が高まっ
ている。[0004] There is an increasing demand for automatically and efficiently extracting valuable information such as causal relationships and rules inherent in these large amounts of accumulated data to be useful for business.
【０００５】[0005]
【従来の技術】以前より、蓄積された既知データを利用
して、統計的処理やＡＩ、ニューラルネットワーク等を
用いて、未知データの結果を予測することは行われてき
た。2. Description of the Related Art Conventionally, it has been practiced to predict the results of unknown data using statistical processing, AI, neural networks, etc., using accumulated known data.
【０００６】しかし、実応用の場面では、単純に未知デ
ータの予測をするだけでなく、予測結果を元に次に何を
すべきかを指示してくれることが望まれている。However, in a practical application, it is desired not only to simply predict unknown data but also to instruct what to do next based on the prediction result.
【０００７】例えば、製造業の場合、各種製造装置の条
件データから製造された製品が不良と予測された場合、
製造条件をどのように変更すれば、製造される製品が良
へと変化するのかを調べることが重要である。また、保
険業における保険使用者と使用状況の情報とからリスク
を調べる問題でも、例えば「危険」と予測された人に対
して、その人の状況に最も近く、かつ「安全」と予測さ
れるような条件を求めることは、重要なことである。For example, in the case of the manufacturing industry, when a product manufactured from condition data of various manufacturing apparatuses is predicted to be defective,
It is important to examine how the manufacturing conditions are changed to change the manufactured product to good. Also, in the problem of examining risks from insurance users and usage status information in the insurance business, for example, a person predicted to be “dangerous” is predicted to be closest to the person's situation and “safe” It is important to find such conditions.
【０００８】しかるに、従来の予測装置では、このよう
な情報を提供しておらず、感度分析による属性の結果に
対する敏感さを測定する程度にとどまっていた。However, the conventional prediction device does not provide such information, and only measures the sensitivity to the attribute result by the sensitivity analysis.
【０００９】[0009]
【発明が解決しようとする課題】このように、従来の予
測装置では、予測結果を希望する予測値へと変更するた
めに、どのように、そして、どのくらい未知データを変
更すればよいのかについて記述する情報を提供していな
い。As described above, the conventional prediction apparatus describes how and how much unknown data should be changed in order to change a prediction result to a desired prediction value. Did not provide any information.
【００１０】これから、従来技術に従っていると、ユー
ザは、未知データについての予測結果が得られたとき
に、その予測結果が希望するものでない場合に、その予
測結果を希望する予測値へと変更するには、どのように
したらよいのかについて知ることができないという問題
点がある。According to the prior art, when a prediction result for unknown data is obtained, if the prediction result is not desired, the user changes the prediction result to a desired prediction value. Has the problem that it is not possible to know how to do it.
【００１１】本発明はかかる事情に鑑みてなされたもの
であって、過去に蓄積された既知データを用いて未知デ
ータの予測を行うときにあって、予測結果を希望する結
果へと変更するためには、どうしたら良いのかというこ
とについて提示する機能を実現する新たな予測分析技術
の提供を目的とする。SUMMARY OF THE INVENTION The present invention has been made in view of the above circumstances, and is intended for changing unknown prediction data to a desired result when predicting unknown data using known data accumulated in the past. The purpose of the present invention is to provide a new predictive analysis technique for realizing a function for presenting what to do.
【００１２】[0012]
【課題を解決するための手段】図１に本発明の概要構成
を図示する。FIG. 1 shows a schematic configuration of the present invention.
【００１３】図中、１は本発明を具備する予測分析装置
であって、過去に蓄積された既知データを用いて未知デ
ータの予測を行うときにあって、予測結果を希望する結
果へと変更するためには、どうしたら良いのかというこ
とについて提示する処理を行うものである。In the figure, reference numeral 1 denotes a prediction analysis apparatus equipped with the present invention, which is used when predicting unknown data using known data accumulated in the past, and changing the prediction result to a desired result. In order to do so, a process for presenting what to do is performed.
【００１４】本発明の予測分析装置１は、この処理を実
現するために、既知データ記憶部１０と、予測機能生成
部１１と、予測部１２と、分析部１３とを備える。The prediction analysis device 1 of the present invention includes a known data storage unit 10, a prediction function generation unit 11, a prediction unit 12, and an analysis unit 13 in order to realize this processing.
【００１５】この既知データ記憶部１０は、属性値とそ
れに対応付けられる結果値との対応関係を記述する既知
データを記憶する。The known data storage unit 10 stores known data describing a correspondence between an attribute value and a result value associated therewith.
【００１６】予測機能生成部１１は、既知データ記憶部
１０に記憶される既知データを使って、図２に示すよう
な決定木（各ノードの条件分岐を辿ることで未知データ
の結果値を予測する）や、図３に示すようなルール（各
ルールに照合することで未知データの結果値を予測す
る）や、「Ｙ＝ΣＡi ×Ｘi ( Ｘi ：属性値，Ａi ：係
数，Ｙ：結果値）」で表されるような計算式や、ＭＢＲ
(Memory-Based Reasoning)や、ニューラルネットワーク
などで構築される予測機能を生成する。The prediction function generation unit 11 uses the known data stored in the known data storage unit 10 to predict the result value of unknown data by tracing the conditional branch of each node as shown in FIG. 3) (the result value of unknown data is predicted by collating with each rule), or “Y = ３A i × X i (X i : attribute value, A i : coefficient, Y: result value) ”or an MBR
(Memory-Based Reasoning) and a prediction function built with neural networks.
【００１７】予測部１２は、予測機能生成部１１の生成
する予測機能により構成されるものであり、未知データ
の持つ属性値に対応付けられる結果値を予測する。The prediction unit 12 is configured by a prediction function generated by the prediction function generation unit 11, and predicts a result value associated with an attribute value of unknown data.
【００１８】分析部１３は、予測部１２の予測結果を希
望する予測値へと変化させるために、未知データの持つ
属性値をどのように変更すればよいのかについて示す分
析情報を得て、それを提示する。The analysis unit 13 obtains analysis information indicating how to change the attribute value of the unknown data in order to change the prediction result of the prediction unit 12 to a desired prediction value. Is presented.
【００１９】この分析部１３は、重要な属性を使って有
効な分析情報を得るようにしたり、変更不可能な属性を
分析対象から外すことで現実問題への適用範囲を広げる
ようにするために、対話処理に従って分析対象となる属
性を設定したり、既知データにより算出される各属性の
示す重要度（ＭＢＲにより得られる各属性が結果値に与
える影響度や、構造化ニューラルネットワークの学習に
より得られるネットワーク重み等）に従って分析対象と
なる属性を自動設定する処理属性設定部１４を備えるこ
とがある。The analysis unit 13 is used to obtain effective analysis information by using important attributes, or to extend the range of application to a real problem by excluding unchangeable attributes from the analysis target. Setting the attributes to be analyzed according to the dialogue processing, the importance of each attribute calculated based on known data (the degree of influence of each attribute obtained by MBR on the result value, and the importance obtained by learning the structured neural network) Processing attribute setting unit 14 that automatically sets an attribute to be analyzed in accordance with a network weight or the like to be analyzed.
【００２０】また、この分析部１３は、意味のある属性
値探索範囲を使って有効な分析情報を得るようにした
り、変更不可能な属性値探索範囲を分析対象から外すこ
とで現実問題への適用範囲を広げるようにするために、
分析対象となる属性の探索範囲を設定する探索範囲設定
部１５を備えることがある。The analyzing unit 13 obtains effective analysis information using a meaningful attribute value search range, or removes an unchangeable attribute value search range from the analysis target to solve a real problem. To broaden the scope,
A search range setting unit 15 for setting a search range of an attribute to be analyzed may be provided.
【００２１】ここで、本発明の予測分析装置１の持つ機
能は具体的にはプログラムで実現されるものであり、こ
のプログラムは、計算機が読み取り可能な半導体メモリ
などの適当な記録媒体に格納することができる。Here, the functions of the predictive analyzer 1 of the present invention are specifically realized by a program, and the program is stored in an appropriate recording medium such as a computer-readable semiconductor memory. be able to.
【００２２】このように構成される本発明の予測分析装
置１では、予測部１２により未知データの予測結果が得
られるときにあって、その予測結果がユーザの希望する
ものでない場合には、分析部１３は、既知データ記憶部
１０に記憶される既知データの中から、ユーザの希望す
る予測値を結果値として持つとともに、未知データの持
つ属性値に類似する属性値を持つ１つ又は複数の既知デ
ータを特定して、それを分析情報としてユーザに提示す
る。In the prediction analyzing apparatus 1 of the present invention configured as described above, when a prediction result of unknown data is obtained by the prediction unit 12 and the prediction result is not what the user desires, the analysis is performed. The unit 13 has a predicted value desired by the user from among the known data stored in the known data storage unit 10 as a result value, and has one or more attribute values similar to the attribute values of the unknown data. Identify known data and present it to the user as analysis information.
【００２３】この処理を行うときに、分析部１３は、各
属性の示す重要度（ＭＢＲにより得られる各属性が結果
値に与える影響度や、構造化ニューラルネットワークの
学習により得られるネットワーク重み等）を考慮しつ
つ、未知データに類似する既知データを特定することが
ある。When performing this processing, the analysis unit 13 determines the importance indicated by each attribute (the degree of influence of each attribute obtained by MBR on the result value, the network weight obtained by learning the structured neural network, etc.). In some cases, known data similar to unknown data is specified while taking into account the above.
【００２４】そして、複数の既知データを特定するとき
にあって、それらの既知データから１つの既知データを
選択するか、それらの既知データの持つ属性値の平均値
や多数決などを施すことにより１つの既知データを算出
することで、提示対象となる１つの既知データを決定す
るように処理することがある。At the time of specifying a plurality of known data, one known data is selected from the known data, or the average value or majority decision of the attribute values of the known data is performed. By calculating two pieces of known data, processing may be performed to determine one piece of known data to be presented.
【００２５】このようにして、本発明の予測分析装置１
によれば、ユーザは、予測部１２により未知データの予
測結果が得られるときにあって、その予測結果が自分の
希望するものでない場合に、自分の希望する予測値を結
果値として持つとともに、未知データに類似する既知デ
ータを得ることができるようになることで、予測結果を
希望する予測値へと変化させるために、未知データの持
つ属性値をどのように変更すればよいのかについて知る
ことができるようになる。As described above, the predictive analyzer 1 of the present invention
According to the above, when a prediction result of unknown data is obtained by the prediction unit 12 and the prediction result is not what the user wants, the user has his / her desired prediction value as a result value, Knowing how to change the attribute values of unknown data in order to change the prediction result to the desired prediction value by being able to obtain known data similar to unknown data Will be able to
【００２６】また、このように構成される本発明の予測
分析装置１では、予測部１２により未知データの予測結
果が得られるときにあって、その予測結果がユーザの希
望するものでない場合には、分析部１３は、既知データ
により構築される結果値を算出するためのデータ変換機
能（ニューラルネットワークや関数等）を使い、そのデ
ータ変換機能を変更させることなく、未知データの結果
値と希望予測値との誤差を逆伝搬させる形で学習を行う
ことなどにより、希望予測値が実現されることになる未
知データの持つ属性値（あるいは、その属性値への変更
量）を算出して、それを分析情報としてユーザに提示す
る。In the prediction analysis apparatus 1 of the present invention configured as described above, when the prediction unit 12 obtains a prediction result of unknown data, and when the prediction result is not the one desired by the user, The analysis unit 13 uses a data conversion function (neural network, function, or the like) for calculating a result value constructed from known data, and without changing the data conversion function, sets a result value of unknown data and a desired prediction value. Calculate the attribute value (or the amount of change to the attribute value) of the unknown data that will achieve the desired predicted value by performing learning by backpropagating the error with the value, etc. Is presented to the user as analysis information.
【００２７】このようにして、本発明の予測分析装置１
によれば、ユーザは、予測部１２により未知データの予
測結果が得られるときにあって、その予測結果が自分の
希望するものでない場合に、希望予測値が実現されるこ
とになる未知データの持つ属性値やその属性値への変更
量を得ることができるようになることで、予測結果を希
望する予測値へと変化させるために、未知データの持つ
属性値をどのように変更すればよいのかについて知るこ
とができるようになる。As described above, the predictive analyzer 1 of the present invention
According to the above, when a prediction result of unknown data is obtained by the prediction unit 12 and the prediction result is not the one desired by the user, the user can obtain the desired prediction value by realizing the desired prediction value. How to change the attribute value of unknown data in order to change the prediction result to the desired prediction value by being able to obtain the attribute value possessed and the amount of change to that attribute value You will be able to know about
【００２８】また、このように構成される本発明の予測
分析装置１では、予測部１２により未知データの予測結
果が得られるときにあって、その予測結果がユーザの希
望するものでない場合には、分析部１３は、既知データ
により構築される結果値を導出するためのアルゴリズム
（決定木やルール等）を使い、未知データが希望予測値
を結果値として持つことになるようにとそのアルゴリズ
ムを変更することで、希望予測値を結果値として持つと
ともに、希望予測値が実現されることになる未知データ
の予測ルートと同一予測ルートに従う１つ又は複数の既
知データを特定して、それを分析情報としてユーザに提
示する。Further, in the prediction analysis apparatus 1 of the present invention configured as described above, when the prediction result of unknown data is obtained by the prediction unit 12 and the prediction result is not what the user desires, The analysis unit 13 uses an algorithm (such as a decision tree or a rule) for deriving a result value constructed from known data, and sets the algorithm so that unknown data has a desired predicted value as a result value. By making the change, the desired prediction value is obtained as a result value, and one or a plurality of known data that follows the same prediction route as the prediction route of the unknown data in which the desired prediction value is realized are specified and analyzed. Present to the user as information.
【００２９】この処理を行うときに、分析部１３は、同
一予測ルートの示す確信度についても出力することがあ
る。When performing this processing, the analysis unit 13 may output the certainty factor indicated by the same predicted route.
【００３０】そして、複数の既知データを特定するとき
にあって、それらの既知データから１つの既知データを
選択するか、それらの既知データの持つ属性値の平均値
や多数決などを施すことにより１つの既知データを算出
することで、提示対象となる１つの既知データを決定す
るように処理することがある。At the time of specifying a plurality of known data, one known data is selected from the known data, or an average value or majority decision of the attribute values of the known data is performed. By calculating two pieces of known data, processing may be performed to determine one piece of known data to be presented.
【００３１】このようにして、本発明の予測分析装置１
によれば、ユーザは、予測部１２により未知データの予
測結果が得られるときにあって、その予測結果が自分の
希望するものでない場合に、希望予測値を結果値として
持つとともに、希望予測値が実現されることになる未知
データの予測ルートと同一予測ルートに従う既知データ
を得ることができるようになることで、予測結果を希望
する予測値へと変化させるために、未知データの持つ属
性値をどのように変更すればよいのかについて知ること
ができるようになる。As described above, the predictive analyzer 1 of the present invention
According to the above, when a prediction result of unknown data is obtained by the prediction unit 12 and the prediction result is not what the user desires, the user has the desired prediction value as a result value and Can obtain known data that follows the same prediction route as that of unknown data that is to be realized. In order to change the prediction result to the desired prediction value, the attribute value of the unknown data To learn how to change it.
【００３２】以上説明したように、本発明によれば、ユ
ーザは、未知データの予測結果が得られるときにあっ
て、その予測結果が自分の希望するものでない場合に、
予測結果を希望する予測値へと変化させるために、未知
データの持つ属性値をどのように変更すればよいのかに
ついて知ることができるようになる。As described above, according to the present invention, when a prediction result of unknown data is obtained and the prediction result is not the one desired by the user,
In order to change the prediction result to a desired prediction value, it becomes possible to know how to change the attribute value of the unknown data.
【００３３】[0033]
【発明の実施の形態】以下、実施の形態に従って本発明
を詳細に説明する。DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail according to embodiments.
【００３４】図４に、本発明の予測分析装置１の一実施
形態例を図示する。FIG. 4 shows an embodiment of the predictive analyzer 1 of the present invention.
【００３５】この図に示すように、本発明の予測分析装
置１は、端末２と、既知データ・データベース１００
と、予測機能生成機構２００と、ソフトウェアやハード
ウェアで構成される予測機構３００と、本発明に特徴的
な処理を行う分析プログラム４００とを備える。As shown in FIG. 1, a predictive analyzer 1 according to the present invention includes a terminal 2 and a known data database 100.
, A prediction function generation mechanism 200, a prediction mechanism 300 composed of software and hardware, and an analysis program 400 for performing processing characteristic of the present invention.
【００３６】ここで、分析プログラム４００や、ソフト
ウェアで構成される予測機構３００は、計算機が読み取
り可能な半導体メモリなどの適当な記録媒体に格納する
ことができる。Here, the analysis program 400 and the prediction mechanism 300 constituted by software can be stored in an appropriate recording medium such as a computer-readable semiconductor memory.
【００３７】既知データ・データベース１００は、既知
データを蓄積格納する。この既知データは、蓄積された
過去の事例データであり、そのときの条件と付随した結
果とが既知であるものであって、予測の根拠となるもの
である。The known data database 100 stores known data. This known data is accumulated past case data, and the condition and the accompanying result at that time are known, and serve as a basis for prediction.
【００３８】図５（ａ）に、どういう製造条件のときに
良品の製品が製造され、どういう製造条件のときに不良
品の製品が製造されたのかということについて記述する
既知データの一例を図示する。なお、結果は「ＯＫ」／
「ＮＧ」のような２値あるいは多値の離散的な値を示す
他に、０〜１といったようなある領域の中に含まれる連
続的な値を示すこともある。FIG. 5A shows an example of known data describing under what manufacturing conditions a non-defective product was manufactured and under what manufacturing conditions a defective product was manufactured. . The result was “OK” /
In addition to indicating a binary or multi-valued discrete value such as "NG", a continuous value included in a certain area such as 0 to 1 may be indicated.
【００３９】本発明の予測分析装置１は、既知データ・
データベース１００がこのような既知データを蓄積格納
するときにあって、結果値が不明である図５（ｂ）に示
すような未知データが端末２から入力されるときに、そ
の未知データの結果値（結果フィールドの値）を予測し
て、それがユーザの希望するものと異なるときには、未
知データの持つ属性値（条件フィールドの値）をどのよ
うに変更すればよいのかについて示す分析情報を作成し
て、それを端末２に出力する処理を行う。The predictive analysis apparatus 1 of the present invention
When the database 100 accumulates and stores such known data, and when the unknown data as shown in FIG. 5B whose input value is unknown is input from the terminal 2, the result value of the unknown data is input. Predict the value of the (result field), and if it is different from the one desired by the user, create analysis information indicating how to change the attribute value (value of the condition field) of the unknown data. Then, a process of outputting it to the terminal 2 is performed.
【００４０】予測機構３００は、この未知データの結果
値を予測する処理を実行するものであって、予測機能生
成機構２００により構築され、例えば、図２に示したよ
うな決定木や、図３に示したようなルールや、「Ｙ＝Σ
Ａi ×Ｘi ( Ｘi ：属性値，Ａi ：係数，Ｙ：結果
値）」で表されるような計算式や、ＭＢＲ(Memory-Base
dReasoning)や、ニューラルネットワークなどで実現さ
れる。The prediction mechanism 300 executes a process of predicting the result value of the unknown data. The prediction mechanism 300 is constructed by the prediction function generation mechanism 200 and includes, for example, a decision tree as shown in FIG. Or the rule shown in
A i × X i (X i : attribute value, A i : coefficient, Y: result value) ”or MBR (Memory-Base
dReasoning) and neural networks.
【００４１】この予測機構３００を実現するＭＢＲにつ
いて説明するならば、ＭＢＲでは、図６に示すように、
既知データや未知データの持つ属性が形成する多次元空
間を考えるとともに、既知データを統計処理することで
各属性の影響度を算出し、この影響度を考慮した形で、
この多次元空間における未知データと各既知データとの
間の類似度を算出する。The MBR that realizes the prediction mechanism 300 will be described. In the MBR, as shown in FIG.
Considering the multidimensional space formed by the attributes of known data and unknown data, calculating the impact of each attribute by statistically processing known data, taking into account the impact,
The similarity between the unknown data and each known data in the multidimensional space is calculated.
【００４２】そして、この類似度に従って、高い類似度
の順番に従って未知データに類似する複数の既知データ
を抽出し、それらの既知データの結果値が示す確信度
（ＯＫの結果値の確信度はこういう値で、ＮＧの結果値
の確信度はこういう値というように、結果値のクラス毎
に定義される）を算出して、その内の最も大きい確信度
を示す結果値を未知データの結果値として予測する処理
を行う。Then, according to this similarity, a plurality of known data similar to the unknown data is extracted in the order of the high similarity, and the confidence value indicated by the result value of the known data (the confidence value of the OK result value is as follows). , The degree of certainty of the NG result value is defined for each class of the result value, such as this value), and the result value indicating the highest degree of certainty is set as the result value of the unknown data. Perform prediction processing.
【００４３】このときに用いる影響度の算出方法や類似
度の算出方法や確信度の算出方法としては、様々な方法
が提案されているが、例えば、本出願人が開示した特開
2000-155681 号公報に記載される算出方法を用いるが可
能である。Various methods have been proposed for calculating the degree of influence, the degree of similarity, and the degree of certainty used in this case.
The calculation method described in 2000-155681 can be used.
【００４４】また、この予測機構３００を実現するニュ
ーラルネットワークについて説明するならば、ニューラ
ルネットワークは、図７に示すように、入力値とそれに
対応付けられる重み値との積和値を算出して、それを関
数変換する基本ユニットが階層ネットワークなどのよう
な形態で接続されることで構成されるものである。To explain a neural network for realizing the prediction mechanism 300, as shown in FIG. 7, the neural network calculates a product sum value of an input value and a weight value associated therewith, as shown in FIG. The basic unit for converting the function is connected in a form such as a hierarchical network.
【００４５】このように構成されるニューラルネットワ
ークは、既知データを学習データとして、図８ないし図
１０に示すようなバックプロパゲーション法に従って、
内部結合に割り付けられる重みＷと基本ユニットに割り
付けられるしきい値θとが学習されることで、未知デー
タの持つ属性値が入力されるときに、その未知データの
結果値を予測する処理を行う。The neural network configured as described above uses known data as learning data according to a back propagation method as shown in FIGS.
By learning the weight W assigned to the inner connection and the threshold value θ assigned to the basic unit, when an attribute value of unknown data is input, a process of predicting a result value of the unknown data is performed. .
【００４６】ここで、バックプロパゲーション法では、
図９（ｃ）に示すように、重みやしきい値の変更に際し
て、前回の変更分を慣性項として加えることで学習時に
重みやしきい値が振動するのを防ぐようにすることがあ
る。また、図１０では、基本ユニットがシグモイド関数
を使って関数変換する場合を具体例にして、バックプロ
パゲーション法を具体的に説明している。Here, in the back propagation method,
As shown in FIG. 9C, when the weight or the threshold value is changed, the weight or the threshold value may be prevented from oscillating during learning by adding the previous change as an inertia term. FIG. 10 illustrates the back propagation method in a specific example in which the basic unit performs function conversion using a sigmoid function.
【００４７】このバックプロパゲーション法の変形例と
して、図１１に示すように、重みやしきい値の更新式に
成長側抑制項Ｓを追加する形で学習を行う方法がある。
この成長側抑制型のバックプロパゲーション法に従う
と、大きい重みの成長が促進されるとともに、小さい重
みの成長が抑制されて縮退し、これにより、図１２に示
すように、重要な重みを持つ内部結合のみが生き残るこ
とで構造化されたニューラルネットワークを構築するこ
とができるようになる。As a modified example of the back propagation method, as shown in FIG. 11, there is a method in which learning is performed by adding a growth-side suppression term S to a formula for updating weights and threshold values.
According to the back propagation method of the growth side suppression type, the growth of a large weight is promoted, and the growth of a small weight is suppressed and degenerated, whereby the internal weight having an important weight is reduced as shown in FIG. By surviving only the connection, a structured neural network can be constructed.
【００４８】ここで、図１２に示す構造化ニューラルネ
ットワークでは、絶対値が十分に小さい値を示す重みを
持つ内部結合については表示していない。また、実線は
正の値を持つ重みを表し、破線は負の値を持つ重みを表
し、線の太さは重みの絶対値の大きさを表している。Here, in the structured neural network shown in FIG. 12, an internal connection having a weight indicating a sufficiently small absolute value is not shown. The solid line represents a weight having a positive value, the dashed line represents a weight having a negative value, and the thickness of the line represents the magnitude of the absolute value of the weight.
【００４９】通常のバックプロパゲーション法で学習さ
れた重みは複雑に結合してしまうために、どのような法
則性を学習したのかを理解することは難しい。これに対
して、この成長側抑制型のバックプロパゲーション法で
学習された重みは単純化されているので、どのような法
則性を学習したのかを読み取ることが可能になるという
特徴がある。Since the weights learned by the normal back propagation method are combined in a complicated manner, it is difficult to understand what rule has been learned. On the other hand, since the weight learned by the growth-side suppression type back propagation method is simplified, it is possible to read what kind of rule has been learned.
【００５０】図１３に、分析プログラム４００の実行す
る全体的な処理についての処理フローを図示する。FIG. 13 shows a processing flow of the overall processing executed by the analysis program 400.
【００５１】分析プログラム４００は、起動されると、
図１３の処理フローに示すように、先ず最初に、ステッ
プ１で、既知データ・データベース１００から既知デー
タを読み出し、続くステップ２で、分析対象の未知デー
タを端末２などから入力する。When the analysis program 400 is started,
As shown in the processing flow of FIG. 13, first, in step 1, known data is read from the known data database 100, and in subsequent step 2, unknown data to be analyzed is input from the terminal 2 or the like.
【００５２】続いて、ステップ３で、その入力した未知
データを予測対象として指定して、予測機構３００を呼
び出すことで、その未知データの結果値を予測し、その
予測結果を端末２に提示する。Subsequently, in step 3, the input unknown data is designated as a prediction target, and by calling the prediction mechanism 300, the result value of the unknown data is predicted, and the prediction result is presented to the terminal 2. .
【００５３】すなわち、予測機構３００が図２に示した
ような決定木で構築されている場合には、未知データの
持つ属性値に従って、決定木の持つ各ノードの条件分岐
を辿ることで、未知データの結果値を予測するのであ
る。In other words, when the prediction mechanism 300 is constructed by a decision tree as shown in FIG. 2, the unknown data is traced according to the attribute value of the unknown data, by tracing the conditional branch of each node of the decision tree. It predicts the resulting value of the data.
【００５４】また、予測機構３００が図３に示したよう
なルールで構築されている場合には、未知データの持つ
属性値に従って、各ルールと照合を行うことで、未知デ
ータの結果値を予測するのである。When the prediction mechanism 300 is constructed by the rules as shown in FIG. 3, the result value of the unknown data is predicted by matching each rule according to the attribute value of the unknown data. You do it.
【００５５】また、予測機構３００が「Ｙ＝ΣＡi ×Ｘ
i ( Ｘi : 属性値，Ａi ：係数，Ｙ：結果値）」といっ
たような計算機式で構築されている場合には、未知デー
タの持つ属性値をその計算機式に代入することで、未知
データの結果値を予測するのである。The prediction mechanism 300 determines that “Y = ΣA i × X
i (X i: attribute value, A i: coefficient, Y: result value) if being built in computed such as ", by substituting the attribute value assigned to the unknown data to the computerized unknown It predicts the resulting value of the data.
【００５６】また、予測機構３００が図６で説明したよ
うなＭＢＲで構築されている場合には、各属性の影響度
を考慮した形で未知データと各既知データとの間の類似
度を算出することで、未知データに類似する複数の既知
データを抽出して、それらの既知データの結果値が示す
確信度の内の最も大きいものを特定することで、未知デ
ータの結果値を予測するのである。When the prediction mechanism 300 is constructed by MBR as described with reference to FIG. 6, the similarity between unknown data and each known data is calculated in consideration of the influence of each attribute. By extracting a plurality of known data similar to the unknown data and identifying the largest confidence value indicated by the result value of the known data, the result value of the unknown data is predicted. is there.
【００５７】また、予測機構３００が図７や図１２に示
したニューラルネットワークで構築されている場合に
は、未知データの持つ属性値をニューラルネットワーク
に入力させて、その入力に応答して出力される出力値を
特定することで、未知データの結果値を予測するのであ
る。When the prediction mechanism 300 is constructed by the neural network shown in FIGS. 7 and 12, the attribute values of the unknown data are input to the neural network and output in response to the input. By specifying the output value, the result value of the unknown data is predicted.
【００５８】このようにして、ステップ３で、未知デー
タの結果値を予測して、それを端末２に表示すると、続
いて、ステップ４で、その表示に応答して、ユーザから
その予測値を変えて分析したいのか否かの要求が発行さ
れたのか否かを判断して、発行されない場合には、その
まま処理を終了し、発行された場合には、ステップ５に
進んで、ユーザの希望する予測値を入力する。As described above, in step 3, the result value of the unknown data is predicted and displayed on the terminal 2. Subsequently, in step 4, the predicted value is received from the user in response to the display. It is determined whether or not a request has been issued as to whether or not the user wishes to change the analysis. If the request has not been issued, the process is terminated as it is. If the request has been issued, the process proceeds to step 5 where the user desires. Enter the forecast value.
【００５９】例えば、結果値が「ＯＫ」か「ＮＧ」を示
す場合にあって、「ＮＧ」という予測結果を提示すると
きに、ユーザがその予測結果を「ＯＫ」にするにはどう
したらよいのかを知りたい場合には「ＯＫ」を入力して
くるので、その「ＯＫ」を入力するのである。For example, when the result value indicates “OK” or “NG”, when the prediction result “NG” is presented, how can the user make the prediction result “OK”? When the user wants to know, "OK" is input, so that "OK" is input.
【００６０】続いて、ステップ６で、ユーザから変更属
性の設定指示があるのか否かを判断して、変更属性の設
定指示があることを判断するときには、ステップ７に進
んで、変更対象（処理対象）となる属性と、変更対象
（処理対象）とならない属性とを設定し、変更属性の設
定指示がないことを判断するときには、全ての属性を一
律に変更対象（処理対象）として扱うようにするため
に、このステップ７の処理を省略する。Subsequently, in step 6, it is determined whether or not there is a change attribute setting instruction from the user. If it is determined that there is a change attribute setting instruction, the process proceeds to step 7, where the change target (processing When an attribute to be changed and an attribute not to be changed (processing target) are set, and it is determined that there is no change attribute setting instruction, all attributes are uniformly treated as a change target (processing target). Therefore, the processing in step 7 is omitted.
【００６１】分析プログラム４００は、後述するよう
に、未知データの結果値をユーザの希望する予測値に変
更するために必要となる属性値の変更量を算出したり、
その希望する予測値を持つ未知データに類似する既知デ
ータを検索することにより、ユーザに対して、未知デー
タの持つ属性値をどのように変更すればよいのかについ
て示唆する処理を行う。As will be described later, the analysis program 400 calculates the change amount of the attribute value required to change the result value of the unknown data to the predicted value desired by the user,
By searching for known data similar to the unknown data having the desired predicted value, a process is suggested to the user as to how to change the attribute value of the unknown data.
【００６２】この処理の実行にあたって、分析プログラ
ム４００は、ユーザから変更属性の設定指示がある属性
のみを変更対象（処理対象）として扱うことで、現実的
に変更不可能な属性を計算対象から外したり、重要度の
低い属性を処理対象から外すことで、現実問題への適用
範囲を広げるように処理している。これから、このステ
ップ７で、変更対象（処理対象）となる属性を設定する
のである。In executing this processing, the analysis program 400 treats only attributes for which a change attribute setting instruction is given from the user as change targets (process targets), thereby excluding attributes that cannot be practically changed from calculation targets. Or, by removing attributes with low importance from the processing target, the processing is performed so as to expand the application range to the real problem. From now on, in step 7, an attribute to be changed (processed) is set.
【００６３】この設定処理では、図１４（ａ）に示すよ
うに、「温度１」という属性は変更対象（処理対象）と
して扱い、「温度２」という属性は変更対象（処理対
象）として扱わないというような設定を行うことになる
が、この設定処理は、ユーザとの対話により行う他に、
ＭＢＲや構造化ニューラルネットワークを用いて対話に
依らずに自動的に行うことが可能である。In this setting process, as shown in FIG. 14A, the attribute “temperature 1” is treated as a change target (process target), and the attribute “temperature 2” is not treated as a change target (process target). This setting process is performed in addition to the dialogue with the user,
It can be performed automatically without depending on dialog using MBR or structured neural network.
【００６４】すなわち、ＭＢＲを用いて自動設定する場
合には、ＭＢＲで求められる各属性の影響度（既知デー
タを統計処理することで算出され、予測対象に対してど
のくらい影響を与えるのかを示す）を使い、例えば、最
大影響度の１００分の１以下の影響度を持つ属性につい
ては、予測に寄与しないことから変更対象（処理対象）
としないように設定することで行う。That is, in the case of automatically setting using the MBR, the degree of influence of each attribute obtained by the MBR (calculated by performing statistical processing on known data and indicating how much influence is given to the prediction target) For example, an attribute having an influence degree of 1/100 or less of the maximum influence degree does not contribute to the prediction, so that the attribute is a change target (processing target).
It is done by setting not to.
【００６５】なお、この影響度を算出する統計手法に
は、ＰＣＦ(Per-Category Feature importance) 手法
や、ＣＣＦ(Cross-Category Feature importance) 手法
や、ＭＩＣ(Mutual Information Content)手法や、ＡＣ
Ｆ(Averaged Category Feature)手法や、本出願人が開
示した特開2000-155681 号公報に記載される手法などが
ある。The statistical methods for calculating the degree of influence include the PCF (Per-Category Feature importance) method, the CCF (Cross-Category Feature importance) method, the MIC (Mutual Information Content) method, and the AC method.
There is an F (Averaged Category Feature) method and a method described in Japanese Patent Application Laid-Open No. 2000-155681 disclosed by the present applicant.
【００６６】また、図１２に示したような構造化ニュー
ラルネットワークを用いて自動設定する場合には、最前
段層を形成する入力ユニット（属性に対応付けて設けら
れて、次段層の基本ユニットに属性値を分配するユニッ
ト）の持つ重みの絶対値の総和を算出し、例えば、最大
総和値の１００分の１以下の総和値を持つ入力ユニット
が入力する属性については、予測に寄与しないことから
変更対象（処理対象）としないように設定することで行
う。In the case of automatically setting using a structured neural network as shown in FIG. 12, an input unit for forming the foremost layer (provided in association with the attribute, and a basic unit for the next layer) Calculate the sum of the absolute values of the weights of the units which distribute the attribute values to the input unit. For example, attributes that are input by an input unit having a total value of 1/100 or less of the maximum total value should not contribute to the prediction. This is done by setting not to be changed (processed) from.
【００６７】このようにして、ステップ７で、変更属性
の設定を実行すると、続いて、ステップ８で、ユーザか
ら属性の探索範囲の設定指示があるのか否かを判断し
て、探索範囲の設定指示があることを判断するときに
は、ステップ９に進んで、探索範囲を設定し、探索範囲
の設定指示がないことを判断するときには、全ての属性
に対して探索範囲の制限を課さないようにするために、
このステップ９の処理を省略する。As described above, when the setting of the change attribute is executed in step 7, subsequently, in step 8, it is determined whether or not there is an instruction from the user to set the search range of the attribute. When it is determined that there is an instruction, the process proceeds to step 9 to set the search range. When it is determined that there is no search range setting instruction, the search range is not restricted for all attributes. for,
The processing in step 9 is omitted.
【００６８】分析プログラム４００は、後述するよう
に、未知データの結果値をユーザの希望する予測値に変
更するために必要となる属性値の変更量を算出したり、
その希望する予測値を持つ未知データに類似する既知デ
ータを検索することにより、ユーザに対して、未知デー
タの持つ属性値をどのように変更すればよいのかについ
て示唆する処理を行う。As will be described later, the analysis program 400 calculates the change amount of the attribute value required to change the result value of the unknown data to the predicted value desired by the user,
By searching for known data similar to the unknown data having the desired predicted value, a process is suggested to the user as to how to change the attribute value of the unknown data.
【００６９】この処理の実行にあたって、分析プログラ
ム４００は、ユーザから探索範囲が設定された属性につ
いては、その探索範囲に入ることを条件にして、属性を
変更したり処理対象の属性として扱うことで、現実問題
への適用範囲を広げるように処理している。これから、
このステップ９で、属性の探索範囲を設定するのであ
る。In executing this processing, the analysis program 400 changes the attribute of the attribute for which the search range has been set by the user and treats the attribute as an attribute to be processed on condition that the attribute is included in the search range. , So as to expand the range of application to real problems. from now on,
In this step 9, an attribute search range is set.
【００７０】この設定処理では、図１４（ｂ）に示すよ
うに、「温度１」という属性の探索範囲の最大値は“２
0.０”で最小値は“１0.０”であるというように上下限
を設定したり、「温度２」という属性は変更対象として
設定されていないので探索範囲を設定しないようにした
り、属性値がカテゴリ値である場合には、それがとり得
るカテゴリ値を設定したり、探索結果に対して、例え
ば、 ｆ＝ε−Σ（ｕi −ｘi ）2 ε：最大許容値 ｉ ：属性番号 ｕi ：未知データ ｘi ：既知データ という評価式を用意して、その評価値ｆが０以上である
場合には探索を続け、０以下の場合には探索を打ち切る
という探索範囲の制限を課する場合には、この評価式を
設定することなどの処理を行う。In this setting process, as shown in FIG. 14B, the maximum value of the search range of the attribute “temperature 1” is “2”.
The upper and lower limits are set such that the minimum value is "10.0" at "0.0", and the search range is not set because the attribute "Temperature 2" is not set as a change target. If the value is the category value, set the category values it can take, with respect to the search result, for example, f = ε-Σ (u i -x i) 2 ε: maximum allowable value i: attributes Number u i : unknown data x i : known data An evaluation formula is prepared, and if the evaluation value f is 0 or more, the search is continued. If the evaluation value f is 0 or less, the search is stopped. When imposing, processing such as setting this evaluation formula is performed.
【００７１】このようにして、ステップ９で、属性の探
索範囲の設定を実行すると、続いて、ステップ１０で、
未知データの持つ属性値をどのように変更すればユーザ
の希望する予測結果を得ることができるようになるのか
についての予測分析を行い、続くステップ１１で、その
予測分析の分析結果を端末２に出力して、処理を終了す
る。When the search range of the attribute is set in step 9 in this way, subsequently, in step 10,
A prediction analysis is performed as to how to change the attribute value of the unknown data so that a prediction result desired by the user can be obtained. In a succeeding step 11, the analysis result of the prediction analysis is transmitted to the terminal 2. Output and end the process.
【００７２】図１５に、図１３の処理フローのステップ
１０で実行する予測分析処理の一実施形態例を図示す
る。FIG. 15 shows an embodiment of the prediction analysis processing executed in step 10 of the processing flow of FIG.
【００７３】分析プログラム４００は、図１５の処理フ
ローに示す予測分析処理に入ると、先ず最初に、ステッ
プ１００で、既知データ・データベース１００から読み
出した既知データと、入力した分析対象の未知データ
と、予測機構３００により得られた未知データの予測値
（結果値の予測値）と、その予測値を変更する形で入力
された希望予測値とを取り揃える。When the analysis program 400 enters the predictive analysis processing shown in the processing flow of FIG. 15, first, in step 100, the known data read from the known data database 100 and the input unknown data to be analyzed are input. In addition, the prediction value of the unknown data (the prediction value of the result value) obtained by the prediction mechanism 300 and the desired prediction value input in a form that changes the prediction value are collected.
【００７４】続いて、ステップ１０１で、最大保存数ｌ
を設定して、この最大保存数ｌの数分のデータを格納す
るための配列Ｄl を用意し、続くステップ１０２で、変
数ｊに０をセットする。Subsequently, in step 101, the maximum storage number l
Is set, and an array Dl for storing data of the number of the maximum storage number 1 is prepared. In the subsequent step 102, 0 is set to a variable j.
【００７５】続いて、ステップ１０３で、変数ｊの値を
１つインクリメントし、続くステップ１０４で、変数ｊ
の値が既知データの個数Ｎを超えたのか否かを判断し
て、超えたことを判断するときには、ステップ１０５に
進んで、保存しているｌ個のレコード番号の指す既知デ
ータを端末２に出力して、処理を終了する。Subsequently, in step 103, the value of the variable j is incremented by one.
Is determined to be greater than or equal to the number N of known data, and when it is determined that the value exceeds the known data, the process proceeds to step 105, and the known data indicated by the stored l record numbers is transmitted to the terminal 2. Output and end the process.
【００７６】このとき、それらの既知データの一覧を出
力する代わりに、それらの既知データに含まれる最新の
既知データを代表として出力したり、それらの既知デー
タに規定の演算処理（数値属性の場合には平均値を算出
し、カテゴリ属性の場合には多数決をとるというような
演算処理）を施すことで求まる代表既知データを出力す
ることもある。At this time, instead of outputting a list of the known data, the latest known data included in the known data is output as a representative, or a prescribed arithmetic processing (in the case of a numerical attribute, , An average value is calculated, and in the case of a category attribute, representative known data obtained by performing a majority decision is output.
【００７７】一方、ステップ１０４で、変数ｊの値が既
知データの個数Ｎを超えていないことを判断するときに
は、ステップ１０６に進んで、レコード番号ｊの指す既
知データを参照することでその結果値を特定し、続くス
テップ１０７で、その特定した結果値と未知データの予
測値を変更する形で入力された希望予測値とが一致する
のか否かを判断する。On the other hand, when it is determined in step 104 that the value of the variable j does not exceed the number N of the known data, the process proceeds to step 106, where the known value indicated by the record number j is referred to to determine the result value. Is determined, and in a subsequent step 107, it is determined whether or not the specified result value matches the desired predicted value input in a form that changes the predicted value of the unknown data.
【００７８】この判断処理により、レコード番号ｊの指
す既知データの結果値と希望予測値とが一致しないこと
を判断するときには、次の既知データを処理すべくステ
ップ１０３に戻る。一方、一致することを判断するとき
には、ステップ１０８に進んで、レコード番号ｊの指す
既知データの持つ属性値の内に設定された探索範囲（図
１３の処理フローのステップ９で設定するもの）に入ら
ないものがあるか否かを判断する。When it is determined that the result value of the known data indicated by the record number j does not match the desired predicted value, the process returns to step 103 to process the next known data. On the other hand, when it is determined that they match, the process proceeds to step 108, where the search range (set in step 9 of the process flow of FIG. 13) set in the attribute value of the known data pointed to by the record number j is set. Judge whether there is something that does not enter.
【００７９】この判断処理により、レコード番号ｊの指
す既知データの持つ属性値に探索範囲に入らないものが
あることを判断するときには、次の既知データを処理す
べくステップ１０３に戻る。一方、探索範囲に入らない
ものがないことを判断するときには、ステップ１０９に
進んで、レコード番号ｊの指す既知データの持つ属性値
ｘi と、未知データの持つ属性値ｕi との間の距離ｄ
を、例えば、 ｄ＝〔Σ（ｕi −ｘi ）2 〕1/2 に従って算出する。When it is determined that the attribute values of the known data indicated by the record number j do not fall within the search range, the process returns to step 103 to process the next known data. On the other hand, when it is determined that there is no not enter the search range, the process proceeds to step 109, the distance between the attribute values x i with the known data pointed to record number j, and the attribute value u i with the unknown data d
, For example, d = [Σ (u i -x i) 2] is calculated according to 1/2.
【００８０】この距離ｄの算出にあたって、図１３の処
理フローのステップ７で、処理対象となる属性と処理対
象とならない属性とを設定するときには、処理対象とな
らない属性を排除しつつ、距離ｄを算出するように処理
する。また、属性が数値属性のときには、例えば、それ
を区画しカテゴリ値に変換することで距離ｄを算出した
り、本出願人が開示した特開2000-155681 号公報に記載
されるように、既知データにより求められる標準偏差を
分母とし、属性値の差を分子とする距離定義などを使っ
て距離ｄを算出するように処理する。In the calculation of the distance d, when the attribute to be processed and the attribute not to be processed are set in step 7 of the processing flow of FIG. 13, the distance d is set while excluding the attribute not to be processed. Process to calculate. When the attribute is a numerical attribute, for example, the distance d is calculated by partitioning the attribute and converting it to a category value, or as described in JP-A-2000-155681 disclosed by the present applicant. The standard deviation obtained from the data is used as a denominator, and the distance d is calculated using a distance definition using the difference between attribute values as a numerator.
【００８１】続いて、ステップ１１０で、算出した距離
ｄが配列Ｄl に格納されている距離ｄのいずれよりも小
さいのか否かを判断して、いずれよりも小さくないこと
を判断するとき、すなわち、算出した距離ｄの方が大き
いことを判断するときには、次の既知データを処理すべ
くステップ１０３に戻る。Subsequently, in step 110, it is determined whether or not the calculated distance d is smaller than any of the distances d stored in the array Dl. When it is determined that the calculated distance d is larger, the process returns to step 103 to process the next known data.
【００８２】一方、配列Ｄl に格納されている距離ｄの
内に算出した距離ｄよりも大きいものがあることを判断
するときには、ステップ１１１に進んで、配列Ｄl に格
納されている距離ｄの内の最大のもののを捨てて、新た
に算出した距離ｄを配列Ｄlに加えるとともに、その捨
てた距離ｄに対応付けられる保存レコード番号を捨て
て、新たに算出した距離ｄに対応付けられるレコード番
号ｊを保存することで保存レコード番号を更新してから
ステップ１０３に戻る。[0082] On the other hand, when it is determined that there is greater than the distance d calculated within a distance d which is stored in the sequence D l, the process proceeds to step 111, the distance is stored in the array D l d Are discarded, the newly calculated distance d is added to the array Dl, and the storage record number associated with the discarded distance d is discarded to be associated with the newly calculated distance d. The stored record number is updated by storing the record number j, and the process returns to step 103.
【００８３】このようにして、分析プログラム４００
は、図１５の処理フローに示す予測分析処理を実行する
ときには、希望予測値を結果値として持つとともに、未
知データの持つ属性値に類似する属性値を持つｌ個の既
知データを特定して、それを分析結果として出力するよ
うに処理するのである。In this way, the analysis program 400
When performing the prediction analysis process shown in the processing flow of FIG. 15, while identifying desired known data having an attribute value similar to the attribute value of the unknown data while having a desired prediction value as a result value, It processes so that it is output as an analysis result.
【００８４】この図１５の処理フローでは、属性の重要
度を考慮することなく、レコード番号ｊの指す既知デー
タの持つ属性値ｘi と、未知データの持つ属性値ｕi と
の間の距離ｄを算出したが、図１６の処理フローに示す
ように、ＭＢＲで求められる各属性の影響度ｗi を考慮
した形の ｄ＝〔Σｗi （ｕi −ｘi ）2 〕1/2 に従って算出するようにしてもよい。ここで、このｗi
として、構造化ニューラルネットワークで求められる各
属性のネットワーク重みを用いることも可能である。[0084] In the process flow in FIG. 15, the distance d between without considering the importance of the attribute, and attribute value x i with the known data pointed to record number j, and the attribute value u i with the unknown data was calculated calculated, as shown in the process flow of FIG. 16, in accordance with d = [Σw i (u i -x i) 2 ] 1/2 degree of influence of the shape in consideration of the w i attributes sought MBR You may make it. Here, this w i
It is also possible to use the network weight of each attribute obtained by the structured neural network.
【００８５】図１７に、図１３の処理フローのステップ
１０で実行する予測分析処理の他の実施形態例を図示す
る。ここで、この予測分析処理では、予測機構３００が
図２に示したような決定木で構築されている場合を想定
している。FIG. 17 shows another embodiment of the prediction analysis processing executed in step 10 of the processing flow of FIG. Here, in this prediction analysis processing, it is assumed that the prediction mechanism 300 is constructed by a decision tree as shown in FIG.
【００８６】分析プログラム４００は、図１７の処理フ
ローに示す予測分析処理に入ると、先ず最初に、ステッ
プ１００で、既知データ・データベース１００から読み
出した既知データと、入力した分析対象の未知データ
と、予測機構３００により得られた未知データの予測値
（結果値の予測値）と、その予測値を変更する形で入力
された希望予測値とを取り揃える。When the analysis program 400 enters the predictive analysis processing shown in the processing flow of FIG. 17, first, in step 100, the known data read from the known data database 100 and the input unknown data to be analyzed are stored. In addition, the prediction value of the unknown data (the prediction value of the result value) obtained by the prediction mechanism 300 and the desired prediction value input in a form that changes the prediction value are collected.
【００８７】続いて、ステップ１０１で、未知データの
予測値を得た決定木のパスを参照する。続いて、ステッ
プ１０２で、そのパスのノードを１つ上へ辿れるのか否
かを判断して、辿れないことを判断するときには、処理
を終了し、辿れることを判断するときには、ステップ１
０３に進んで、未知データの予測値を得た決定木のパス
についてノードを１つ上へ辿る。Subsequently, in step 101, the path of the decision tree from which the predicted value of the unknown data is obtained is referred to. Subsequently, in step 102, it is determined whether or not the node of the path can be traced up by one. When it is determined that the path cannot be traced, the processing is terminated. When it is determined that the path can be traced, step 1 is performed.
Proceeding to step 03, the node is traced up by one in the path of the decision tree from which the predicted value of the unknown data is obtained.
【００８８】続いて、ステップ１０４で、その辿った先
のノードが変更対象の属性（図１３の処理フローのステ
ップ７で設定するもの）に関する分岐規則について記述
しているのか否かを判断して、変更対象の属性に関する
分岐規則について記述していないことを判断するときに
は、更にノードを上へ１つ辿るべくステップ１０２に戻
る。Subsequently, in step 104, it is determined whether or not the traversed node describes a branching rule regarding the attribute to be changed (the one set in step 7 of the processing flow of FIG. 13). When it is determined that the branching rule relating to the attribute to be changed is not described, the process returns to step 102 in order to further trace one node upward.
【００８９】一方、ステップ１０４で、辿った先のノー
ドが変更対象の属性に関する分岐規則について記述して
いることを判断するときには、ステップ１０５に進ん
で、未知データが別の決定木パスを辿ることになるよう
にと、その分岐規則の属性記述を別のものに変更する。On the other hand, when it is determined in step 104 that the traversed node describes a branching rule for the attribute to be changed, the process proceeds to step 105, where the unknown data follows another decision tree path. , The attribute description of the branch rule is changed to another one.
【００９０】続いて、ステップ１０６で、その変更した
属性記述が設定された探索範囲（図１３の処理フローの
ステップ９で設定するもの）に入るのか否かを判断し
て、入らないことを判断するときには、更にノードを上
へ１つ辿るべくステップ１０２に戻る。一方、探索範囲
に入ることを判断するときには、ステップ１０７に進ん
で、そのノードから決定木を辿ることで未知データの結
果値を予測する。Subsequently, in step 106, it is determined whether or not the changed attribute description falls within the set search range (the one set in step 9 of the processing flow of FIG. 13), and it is determined that the attribute description does not enter. If so, the process returns to step 102 in order to trace one more node. On the other hand, when it is determined that the result falls within the search range, the process proceeds to step 107, and the result value of the unknown data is predicted by tracing the decision tree from that node.
【００９１】続いて、ステップ１０８で、その未知デー
タの結果値が希望予測値となるのか否かを判断して、希
望予測値とならないことを判断するときには、更にノー
ドを上へ１つ辿るべくステップ１０２に戻る。Subsequently, in step 108, it is determined whether or not the result value of the unknown data is the desired predicted value. When it is determined that the result value is not the desired predicted value, the node is further moved up by one. Return to step 102.
【００９２】一方、希望予測値となることを判断すると
きには、ステップ１０９に進んで、その希望予測値に到
る決定木パスを辿る既知データの中から希望予測値を結
果値として持つ既知データを抽出し、続くステップ１１
０で、その抽出した既知データの一覧を出力したり、そ
の抽出した既知データに含まれる最新の既知データを代
表として出力したり、その抽出した既知データに規定の
演算処理（数値属性の場合には平均値を算出し、カテゴ
リ属性の場合には多数決をとるというような演算処理）
を施すことで求まる代表既知データを出力する。On the other hand, when it is determined that the desired predicted value is obtained, the process proceeds to step 109, where the known data having the desired predicted value as a result value is selected from the known data tracing the decision tree path reaching the desired predicted value. Extract and follow step 11
0, a list of the extracted known data is output, the latest known data included in the extracted known data is output as a representative, or a prescribed arithmetic processing (for a numerical attribute, Is an arithmetic process that calculates the average value and takes a majority decision in the case of a category attribute)
And outputs representative known data obtained by performing
【００９３】この出力にあたって、変更された決定木の
リーフに入る既知データの結果値（決定木の性質上、大
体同じ結果値になるが全て同一の結果値になるとは限ら
ない）の中から、希望予測値となるものを求めて、その
希望予測値になるものの個数と、そのリーフに入る全結
果値の個数との割合で定義される確信度を求めて、それ
を出力することがある。In this output, from the result values of the known data entering the leaf of the changed decision tree (due to the nature of the decision tree, the result values are almost the same but not all the same). In some cases, a desired prediction value is obtained, a certainty factor defined by a ratio of the number of the desired prediction values to the number of all the result values in the leaf is obtained and output.
【００９４】このようにして、分析プログラム４００
は、図１７の処理フローに従う場合には、図１８に示す
ように、未知データが予測されたリーフから始めて、す
ぐ上のノードへと進み、そのノードに該当する属性を変
更して予測を行うことで別のリーフへと進み、それでは
希望予測値が得られない場合には、再び上のノードへと
進むということを繰り返すことで希望予測値を得るパス
を特定し、そして、その特定したパスを辿る希望予測値
を結果値として持つ既知データを求めて、それを分析結
果として出力するように処理するのである。In this way, the analysis program 400
In the case of following the processing flow of FIG. 17, as shown in FIG. 18, starting from a leaf where unknown data is predicted, proceeding to a node immediately above, and performing prediction by changing an attribute corresponding to the node Then, if the desired prediction value cannot be obtained, the path to obtain the desired prediction value is determined by repeating the process of proceeding to the upper node again. Then, the specified path is determined. The known data having the desired predicted value that follows as a result value is obtained, and is processed so as to be output as the analysis result.
【００９５】図１９に、図１３の処理フローのステップ
１０で実行する予測分析処理の他の実施形態例を図示す
る。ここで、この予測分析処理では、予測機構３００が
図３に示したようなルールで構築されている場合を想定
している。FIG. 19 shows another embodiment of the prediction analysis process executed in step 10 of the process flow of FIG. Here, in the prediction analysis processing, it is assumed that the prediction mechanism 300 is constructed with rules as shown in FIG.
【００９６】分析プログラム４００は、図１９の処理フ
ローに示す予測分析処理に入ると、先ず最初に、ステッ
プ１００で、既知データ・データベース１００から読み
出した既知データと、入力した分析対象の未知データ
と、予測機構３００により得られた未知データの予測値
（結果値の予測値）と、その予測値を変更する形で入力
された希望予測値とを取り揃える。When the analysis program 400 enters the prediction analysis processing shown in the processing flow of FIG. 19, first, in step 100, the known data read from the known data database 100 and the input unknown data to be analyzed are input. In addition, the prediction value of the unknown data (the prediction value of the result value) obtained by the prediction mechanism 300 and the desired prediction value input in a form that changes the prediction value are collected.
【００９７】続いて、ステップ１０１で、未知データの
予測値を得たルールを参照する。続いて、ステップ１０
２で、そのルールを変更できるのか否かを判断して、ル
ールを変更できないことを判断するときには、処理を終
了し、ルールを変更できることを判断するときには、ス
テップ１０３に進んで、未知データの予測値を得たルー
ルの中から変更対象とするルール個所を１つ選択する。Subsequently, in step 101, the rule for obtaining the predicted value of the unknown data is referred to. Then, Step 10
In step 2, if it is determined whether or not the rule can be changed, and if it is determined that the rule cannot be changed, the process ends. If it is determined that the rule can be changed, the process proceeds to step 103 to predict the unknown data. One rule to be changed is selected from the rules for which the values have been obtained.
【００９８】続いて、ステップ１０４で、その選択した
ルール個所が変更対象の属性（図１３の処理フローのス
テップ７で設定するもの）に関するルールについて記述
しているのか否かを判断して、変更対象の属性に関する
ルールについて記述していないことを判断するときに
は、別のルール個所を変更すべくステップ１０２に戻
る。Subsequently, in step 104, it is determined whether or not the selected rule location describes a rule regarding an attribute to be changed (set in step 7 of the processing flow of FIG. 13). When it is determined that the rule regarding the target attribute is not described, the process returns to step 102 to change another rule.
【００９９】一方、ステップ１０４で、選択したルール
個所が変更対象の属性に関するルールについて記述して
いることを判断するときには、ステップ１０５に進ん
で、未知データが別のルールパスを辿ることになるよう
にと、そのルール個所の属性記述を別のものに変更す
る。On the other hand, when it is determined in step 104 that the selected rule location describes a rule relating to the attribute to be changed, the process proceeds to step 105 so that the unknown data follows another rule path. And the attribute description of the rule part is changed to another one.
【０１００】続いて、ステップ１０６で、その変更した
属性記述が設定された探索範囲（図１３の処理フローの
ステップ９で設定するもの）に入るのか否かを判断し
て、入らないことを判断するときには、別のルール個所
を変更すべくステップ１０２に戻る。一方、探索範囲に
入ることを判断するときには、ステップ１０７に進ん
で、その変更したルールを辿ることで未知データの結果
値を予測する。Subsequently, in step 106, it is determined whether or not the changed attribute description falls within the set search range (the one set in step 9 of the processing flow of FIG. 13). If so, the process returns to step 102 to change another rule. On the other hand, when it is determined that the result falls within the search range, the process proceeds to step 107, and the result value of the unknown data is predicted by following the changed rule.
【０１０１】続いて、ステップ１０８で、その未知デー
タの結果値が希望予測値となるのか否かを判断して、希
望予測値とならないことを判断するときには、更に別の
ルール個所を変更すべくステップ１０２に戻る。Subsequently, in step 108, it is determined whether or not the result value of the unknown data is a desired predicted value. When it is determined that the result value is not the desired predicted value, another rule is changed. Return to step 102.
【０１０２】一方、希望予測値となることを判断すると
きには、ステップ１０９に進んで、その希望予測値に到
るルールパスを辿る既知データの中から希望予測値を結
果値として持つ既知データを抽出し、続くステップ１１
０で、その抽出した既知データの一覧を出力したり、そ
の抽出した既知データに含まれる最新の既知データを代
表として出力したり、その抽出した既知データに規定の
演算処理（数値属性の場合には平均値を算出し、カテゴ
リ属性の場合には多数決をとるというような演算処理）
を施すことで求まる代表既知データを出力する。On the other hand, when it is determined that the desired predicted value is obtained, the process proceeds to step 109, where known data having the desired predicted value as a result value is extracted from the known data following the rule path that reaches the desired predicted value. Step 11
0, a list of the extracted known data is output, the latest known data included in the extracted known data is output as a representative, or a prescribed arithmetic processing (for a numerical attribute, Is an arithmetic process that calculates the average value and takes a majority decision in the case of a category attribute)
And outputs representative known data obtained by performing
【０１０３】この出力にあたって、変更されたルールの
結論に入る既知データの結果値（ルールの性質上、大体
同じ結果値になるが全て同一の結果値になるとは限らな
い）の中から、希望予測値になるものを求めて、その希
望予測値になるものの個数と、その結論に入る全結果値
の個数との割合で定義される確信度を求めて、それを出
力することがある。In this output, the desired prediction value is selected from the result values of the known data that enter the conclusion of the changed rule (the result values are almost the same but not always the same due to the nature of the rule). In some cases, a certainty that is defined as a value is obtained, and a certainty factor defined by the ratio of the number of the desired predicted values to the number of all the result values that reach the conclusion is obtained and output.
【０１０４】このようにして、分析プログラム４００
は、図１９の処理フローに従う場合には、図２０に示す
ように、例えば、一番右端のルール個所から出発して、
そのルール個所に該当する属性値を変更して予測を行
い、それが希望予測値でない場合には、次のルール個所
へと進むということを繰り返すことで希望予測値を得る
ルールを特定し、そして、その特定したルールを辿る希
望予測値を結果値として持つ既知データを求めて、それ
を分析結果として出力するように処理するのである。Thus, the analysis program 400
When following the processing flow of FIG. 19, as shown in FIG. 20, for example, starting from the rightmost rule,
Change the attribute value corresponding to the rule location, make a prediction, and if it is not the desired prediction value, specify the rule that obtains the desired prediction value by repeating the process of proceeding to the next rule location, and Then, known data having a desired predicted value tracing the specified rule as a result value is obtained, and processing is performed so as to output it as an analysis result.
【０１０５】図２１に、図１３の処理フローのステップ
１０で実行する予測分析処理の他の実施形態例を図示す
る。ここで、この予測分析処理では、予測機構３００が
図７に示したようなニューラルネットワークで構築され
ている場合を想定している。FIG. 21 shows another embodiment of the prediction analysis processing executed in step 10 of the processing flow of FIG. Here, in the prediction analysis processing, it is assumed that the prediction mechanism 300 is constructed by a neural network as shown in FIG.
【０１０６】分析プログラム４００は、図２１の処理フ
ローに示す予測分析処理に入ると、先ず最初に、ステッ
プ１００で、既知データ・データベース１００から読み
出した既知データと、入力した分析対象の未知データ
と、予測機構３００により得られた未知データの予測値
（結果値の予測値）と、その予測値を変更する形で入力
された希望予測値とを取り揃える。When the analysis program 400 enters the predictive analysis processing shown in the processing flow of FIG. 21, first, in step 100, the known data read from the known data database 100 and the input unknown data to be analyzed are input. In addition, the prediction value of the unknown data (the prediction value of the result value) obtained by the prediction mechanism 300 and the desired prediction value input in a form that changes the prediction value are collected.
【０１０７】続いて、ステップ１０１で、予測機構３０
０を構築するニューラルネットワークに未知データの持
つ属性値を入力して、Iterative Inversion 法に従うバ
ックプロパゲーション法の学習処理を実行する。Subsequently, in step 101, the prediction mechanism 30
The attribute value of the unknown data is input to the neural network for constructing 0, and the learning process of the back propagation method according to the Iterative Inversion method is executed.
【０１０８】通常のバックプロパゲーション法の学習処
理では、図８ないし図１０に示したように、ニューラル
ネットワークの出力する予測値と希望予測値との誤差を
ニューラルネットワーク上を逆伝搬させることで重みを
学習する処理を行うのに対して、Iterative Inversion
法に従うバックプロパゲーション法では、図２２に示す
ように、学習済みのニューラルネットワークにおいて、
ニューラルネットワークの出力する予測値と希望予測値
との誤差をニューラルネットワーク上を逆伝搬させるこ
とで入力値（この場合は未知データの属性値）を学習す
る処理を行う。In the learning process of the normal back propagation method, as shown in FIGS. 8 to 10, the error between the predicted value output from the neural network and the desired predicted value is back-propagated on the neural network to obtain the weight. Inverse Inversion
In the back propagation method according to the method, as shown in FIG.
A process of learning an input value (in this case, an attribute value of unknown data) by back-propagating an error between a predicted value output from the neural network and a desired predicted value on the neural network is performed.
【０１０９】これから、Iterative Inversion 法に従う
バックプロパゲーション法を実行すると、希望予測値を
実現する未知データの持つ属性値を求めることができる
ようになる。[0109] When the back propagation method according to the Iterative Inversion method is executed, it becomes possible to obtain the attribute value of the unknown data that realizes the desired predicted value.
【０１１０】続いて、ステップ１０２で、変更対象の属
性（図１３の処理フローのステップ７で設定するもの）
が設定されているのか否かを判断して、変更対象の属性
が設定されている場合には、ステップ１０３に進んで、
Iterative Inversion 法により求まる属性値変更量に従
って、変更対象の属性のみの属性値を変更する。一方、
変更対象の属性が設定されていない場合には、ステップ
１０４に進んで、Iterative Inversion 法により求まる
属性値変更量に従って、未知データの持つすべて属性の
属性値を変更する。Subsequently, in step 102, the attribute to be changed (set in step 7 of the processing flow of FIG. 13)
Is determined, and if the attribute to be changed is set, the process proceeds to step 103,
The attribute value of only the attribute to be changed is changed according to the attribute value change amount obtained by the Iterative Inversion method. on the other hand,
If the attribute to be changed has not been set, the process proceeds to step 104, and the attribute values of all the attributes of the unknown data are changed according to the attribute value change amounts obtained by the Iterative Inversion method.
【０１１１】続いて、ステップ１０５で、変更した属性
値が設定された探索範囲（図１３の処理フローのステッ
プ９で設定するもの）に入るのか否かを判断して、入ら
ないことを判断するときには、処理を終了し、入ること
を判断するときには、ステップ１０６に進んで、属性値
の変更された未知データの入力に応答してニューラルネ
ットワークから出力される予測値を取得する。Subsequently, in step 105, it is determined whether or not the changed attribute value falls within the set search range (set in step 9 of the processing flow of FIG. 13), and it is determined that it does not. In some cases, when it is determined that the process is terminated and the entry is made, the process proceeds to step 106, where a predicted value output from the neural network in response to the input of the unknown data whose attribute value has been changed is acquired.
【０１１２】続いて、ステップ１０７で、その取得した
予測値が希望予測値であるのか否かを判断して、希望予
測値になっていないときには、Iterative Inversion 法
による学習を進めるべくステップ１０１に戻り、一方、
希望予測値になっているときには、ステップ１０８に進
んで、Iterative Inversion 法により変更された未知デ
ータの持つ属性値を出力する。このとき、未知データの
持つ属性値そのものを出力するのではなくて、未知デー
タの持つ本来の属性値と学習により得られた属性値との
変更量を出力することがある。Subsequently, in step 107, it is determined whether or not the obtained predicted value is the desired predicted value. If the obtained predicted value is not the desired predicted value, the process returns to step 101 to advance the learning by the Iterative Inversion method. ,on the other hand,
If it is the desired predicted value, the process proceeds to step 108, where the attribute value of the unknown data changed by the Iterative Inversion method is output. At this time, instead of outputting the attribute value of the unknown data itself, the amount of change between the original attribute value of the unknown data and the attribute value obtained by learning may be output.
【０１１３】このようにして、分析プログラム４００
は、図２１の処理フローに示す予測分析処理を実行する
ときには、希望予測値が実現されることになる未知デー
タの持つ属性値やその属性値への変更量を算出して、そ
れを分析結果として出力するように処理するのである。In this way, the analysis program 400
Calculates the attribute value of the unknown data and the amount of change to the attribute value that will achieve the desired predicted value when executing the prediction analysis process shown in the processing flow of FIG. It is processed to output as
【０１１４】図２１の処理フローでは、予測機構３００
が図７に示したようなニューラルネットワークで構築さ
れている場合を想定しているが、「Ｙ＝ΣＡi ×Ｘi (
Ｘi：属性値，Ａi ：係数，Ｙ：結果値）」で表される
ような計算式で構築される場合には、図２３に示すよう
な逆計算法を用いて、希望予測値が実現されることにな
る未知データの持つ属性値やその属性値への変更量を算
出することになる。In the processing flow of FIG.
Is assumed to be constructed by a neural network as shown in FIG. 7, but “Y = ΣA i × X i (
X i : attribute value, A i : coefficient, Y: result value), the desired prediction value is calculated using an inverse calculation method as shown in FIG. The attribute value of the unknown data to be realized and the amount of change to the attribute value are calculated.
【０１１５】（付記１）属性値とそれに対応付けられる
結果値との対応関係を記述する既知データを利用して、
未知データの持つ属性値に対応付けられる結果値を予測
する予測部と、上記予測部の予測結果を希望する予測値
へと変化させるために、未知データの持つ属性値をどの
ように変更すればよいのかについて示す分析情報を得
て、それを提示する分析部とを備えることを、特徴とす
る予測分析装置。(Supplementary Note 1) Using known data describing the correspondence between attribute values and result values associated therewith,
A prediction unit that predicts a result value associated with an attribute value of unknown data, and how to change an attribute value of unknown data in order to change the prediction result of the prediction unit to a desired prediction value. A predictive analysis device comprising: an analysis unit that obtains analysis information indicating whether or not it is good and presents the analysis information.
【０１１６】（付記２）付記１に記載される予測分析装
置において、上記分析部は、上記分析情報として、希望
予測値を結果値として持つとともに、未知データの持つ
属性値に類似する属性値を持つ１つ又は複数の既知デー
タを特定するように処理することを、特徴とする予測分
析装置。(Supplementary Note 2) In the prediction analysis apparatus described in Supplementary Note 1, the analysis unit may have, as the analysis information, a desired predicted value as a result value and an attribute value similar to an attribute value of unknown data. A predictive analysis apparatus characterized in that processing is performed to specify one or more known data items.
【０１１７】（付記３）付記２に記載される予測分析装
置において、上記分析部は、各属性の示す重要度を考慮
しつつ、未知データに類似する既知データを特定するよ
うに処理することを、特徴とする予測分析装置。(Supplementary Note 3) In the predictive analysis device described in Supplementary Note 2, the analysis unit may perform processing to specify known data similar to unknown data while considering the importance indicated by each attribute. , Featured predictive analyzer.
【０１１８】（付記４）付記３に記載される予測分析装
置において、上記分析部は、上記重要度として、ＭＢＲ
法により得られる各属性が結果値に与える影響度を用い
るように処理することを、特徴とする予測分析装置。(Supplementary Note 4) In the predictive analysis device described in Supplementary Note 3, the analysis unit may use the MBR as the importance.
A predictive analysis apparatus characterized in that processing is performed so as to use the degree of influence of each attribute obtained by a method on a result value.
【０１１９】（付記５）付記３に記載される予測分析装
置において、上記分析部は、上記重要度として、構造化
ニューラルネットワークの学習により得られるネットワ
ーク重みを用いるように処理することを、特徴とする予
測分析装置。(Supplementary Note 5) In the predictive analysis device according to Supplementary Note 3, the analysis unit may perform processing so as to use a network weight obtained by learning a structured neural network as the importance. Predictive analyzer.
【０１２０】（付記６）付記２ないし５のいずれか１項
に記載される予測分析装置において、上記分析部は、複
数の既知データを特定するときにあって、該既知データ
から１つの既知データを選択するか、規定の演算に従っ
て該既知データから１つの既知データを算出すること
で、提示対象となる１つの既知データを決定するように
処理することを、特徴とする予測分析装置。(Supplementary Note 6) In the predictive analysis device according to any one of Supplementary Notes 2 to 5, the analysis unit may specify a plurality of pieces of known data, and Or a method of calculating one known data from the known data in accordance with a prescribed calculation to determine one known data to be presented.
【０１２１】（付記７）付記１に記載される予測分析装
置において、上記分析部は、上記分析情報として、希望
予測値が実現されることになる未知データの持つ属性
値、あるいは、該属性値への変更量を算出するように処
理することを、特徴とする予測分析装置。(Supplementary Note 7) In the prediction analysis apparatus described in Supplementary Note 1, the analysis unit may include, as the analysis information, an attribute value of unknown data in which a desired predicted value is realized, or the attribute value of the unknown data. A predictive analysis apparatus characterized in that processing is performed to calculate a change amount of the prediction analysis.
【０１２２】（付記８）付記７に記載される予測分析装
置において、上記分析部は、既知データにより構築され
る結果値を算出するためのデータ変換機能を使い、該デ
ータ変換機能を変更させることなく、未知データの結果
値と希望予測値との誤差を逆伝搬させる形で学習を行う
ことで、希望予測値が実現されることになる未知データ
の持つ属性値、あるいは、該属性値への変更量を算出す
るように処理することを、特徴とする予測分析装置。(Supplementary note 8) In the predictive analysis device according to supplementary note 7, the analysis unit uses a data conversion function for calculating a result value constructed from known data, and changes the data conversion function. In addition, by performing learning in a form in which the error between the result value of the unknown data and the desired predicted value is back-propagated, the attribute value of the unknown data that will realize the desired predicted value, or the attribute value to the attribute value A prediction analysis device characterized by performing processing to calculate a change amount.
【０１２３】（付記９）付記１に記載される予測分析装
置において、上記分析部は、上記分析情報として、希望
予測値を結果値として持つとともに、希望予測値が実現
されることになる未知データの予測ルートと同一予測ル
ートに従う１つ又は複数の既知データを特定するように
処理することを、特徴とする予測分析装置。(Supplementary note 9) In the predictive analysis apparatus according to supplementary note 1, the analysis unit has a desired predicted value as a result value as the analysis information, and the unknown data that the desired predicted value is to be realized. A prediction analysis apparatus that performs processing to specify one or a plurality of known data that follows the same prediction route as the prediction route of (i).
【０１２４】（付記１０）付記９に記載される予測分析
装置において、上記分析部は、上記同一予測ルートの示
す確信度についても出力するように処理することを、特
徴とする予測分析装置。(Supplementary note 10) The prediction analysis apparatus according to supplementary note 9, wherein the analysis unit performs processing so as to output a certainty factor indicated by the same prediction route.
【０１２５】（付記１１）付記９又は１０に記載される
予測分析装置において、上記分析部は、既知データによ
り構築される結果値を導出するためのアルゴリズムを使
い、未知データが希望予測値を結果値として持つことに
なるようにと該アルゴリズムを変更しつつ、上記同一予
測ルートに従う既知データを特定するように処理するこ
とを、特徴とする予測分析装置。(Supplementary note 11) In the predictive analysis device according to supplementary note 9 or 10, the analysis unit uses an algorithm for deriving a result value constructed from known data, and the unknown data is used to determine a desired predicted value. A prediction analysis apparatus characterized in that processing is performed so as to specify known data that follows the same prediction route while changing the algorithm so that it has a value.
【０１２６】（付記１２）付記９ないし１１のいずれか
１項に記載される予測分析装置において、上記分析部
は、複数の既知データを特定するときにあって、該既知
データから１つの既知データを選択するか、規定の演算
に従って該既知データから１つの既知データを算出する
ことで、提示対象となる１つの既知データを決定するよ
うに処理することを、特徴とする予測分析装置。(Supplementary Note 12) In the predictive analysis device according to any one of Supplementary Notes 9 to 11, the analysis unit may specify a plurality of known data and specify one known data from the known data. Or a method of calculating one known data from the known data in accordance with a prescribed calculation to determine one known data to be presented.
【０１２７】（付記１３）付記１ないし１２のいずれか
１項に記載される予測分析装置において、上記分析部
は、上記分析情報を得るにあたって、分析対象となる属
性を設定して、その設定した分析対象属性の属性値を使
って、上記分析情報を得るように処理することを、特徴
とする予測分析装置。(Supplementary Note 13) In the predictive analyzer described in any one of Supplementary Notes 1 to 12, the analysis unit sets an attribute to be analyzed when obtaining the analysis information, and sets the attribute. A prediction analysis device characterized by performing processing to obtain the above-mentioned analysis information using an attribute value of an analysis target attribute.
【０１２８】（付記１４）付記１３に記載される予測分
析装置において、上記分析部は、対話処理に従って、分
析対象となる属性を設定するように処理することを、特
徴とする予測分析装置。(Supplementary note 14) The prediction analysis apparatus according to supplementary note 13, wherein the analysis unit performs processing to set an attribute to be analyzed in accordance with an interactive process.
【０１２９】（付記１５）付記１３に記載される予測分
析装置において、上記分析部は、既知データにより算出
される各属性の示す重要度に基づいて、分析対象となる
属性を設定するように処理することを、特徴とする予測
分析装置。(Supplementary Note 15) In the predictive analysis device described in Supplementary Note 13, the analysis unit performs processing so as to set an attribute to be analyzed based on importance indicated by each attribute calculated based on known data. And a predictive analysis device.
【０１３０】（付記１６）付記１５に記載される予測分
析装置において、上記分析部は、上記重要度として、Ｍ
ＢＲ法により得られる各属性が結果値に与える影響度を
用いるように処理することを、特徴とする予測分析装
置。(Supplementary Note 16) In the predictive analysis device according to Supplementary Note 15, the analysis unit may use M as the importance.
A prediction analysis apparatus characterized in that processing is performed so as to use the degree of influence of each attribute obtained by the BR method on a result value.
【０１３１】（付記１７）付記１５に記載される予測分
析装置において、上記分析部は、上記重要度として、構
造化ニューラルネットワークの学習によ得られるネット
ワーク重みを用いるように処理することを、特徴とする
予測分析装置。(Supplementary Note 17) In the predictive analysis device according to Supplementary Note 15, the analysis unit may perform processing such that a network weight obtained by learning a structured neural network is used as the importance. Predictive analyzer.
【０１３２】（付記１８）付記１ないし１７のいずれか
１項に記載される予測分析装置において、上記分析部
は、上記分析情報を得るにあたって、属性値の探索範囲
を設定して、その設定した探索範囲に入ることを条件に
しつつ、上記分析情報を得るように処理することを、特
徴とする予測分析装置。(Supplementary Note 18) In the predictive analysis apparatus according to any one of Supplementary Notes 1 to 17, the analysis unit sets a search range of an attribute value to obtain the analysis information, and sets the search range. A predictive analysis apparatus characterized by performing processing so as to obtain the above-described analysis information, on condition that the analysis information is within a search range.
【０１３３】（付記１９）属性値とそれに対応付けられ
る結果値との対応関係を記述する既知データを利用し
て、未知データの持つ属性値に対応付けられる結果値を
予測する処理と、上記予測結果を希望する予測値へと変
化させるために、未知データの持つ属性値をどのように
変更すればよいのかについて示す分析情報を得て、それ
を提示する処理とをコンピュータに実行させるための予
測分析プログラム。(Supplementary Note 19) A process of predicting a result value associated with an attribute value of unknown data using known data that describes a correspondence between an attribute value and a result value associated therewith, A process for obtaining analysis information indicating how to change the attribute value of unknown data in order to change the result to a desired prediction value, and performing a process of presenting the analysis information and causing the computer to execute the process of presenting the analysis information Analysis program.
【０１３４】（付記２０）属性値とそれに対応付けられ
る結果値との対応関係を記述する既知データを利用し
て、未知データの持つ属性値に対応付けられる結果値を
予測する処理と、上記予測結果を希望する予測値へと変
化させるために、未知データの持つ属性値をどのように
変更すればよいのかについて示す分析情報を得て、それ
を提示する処理とをコンピュータに実行させるためのプ
ログラムを記録した予測分析プログラムの記録媒体。(Supplementary Note 20) A process of predicting a result value associated with an attribute value of unknown data using known data describing a correspondence between an attribute value and a result value associated therewith, A program for causing a computer to obtain analysis information indicating how to change an attribute value of unknown data in order to change a result to a desired prediction value, and to present the analysis information to a computer. Recording medium for predictive analysis program that records
【０１３５】[0135]
【発明の効果】以上説明したように、本発明によれば、
ユーザは、未知データの予測結果が得られるときにあっ
て、その予測結果が自分の希望するものでない場合に、
自分の希望する予測値を結果値として持つとともに、未
知データに類似する既知データを得ることができるよう
になることで、予測結果を希望する予測値へと変化させ
るために、未知データの持つ属性値をどのように変更す
ればよいのかについて知ることができるようになる。As described above, according to the present invention,
When the prediction result of the unknown data is obtained and the prediction result is not what is desired by the user,
Having the desired prediction value as the result value and the ability to obtain the known data similar to the unknown data, the attribute of the unknown data to change the prediction result to the desired prediction value You will be able to know how to change the value.
【０１３６】そして、本発明によれば、ユーザは、未知
データの予測結果が得られるときにあって、その予測結
果が自分の希望するものでない場合に、希望予測値が実
現されることになる未知データの持つ属性値やその属性
値への変更量を得ることができるようになることで、予
測結果を希望する予測値へと変化させるために、未知デ
ータの持つ属性値をどのように変更すればよいのかにつ
いて知ることができるようになる。According to the present invention, when a prediction result of unknown data is obtained and the prediction result is not what the user desires, the user can realize the desired prediction value. How to change the attribute value of unknown data to change the prediction result to the desired prediction value by being able to obtain the attribute value of unknown data and the amount of change to that attribute value You will be able to know what to do.
【０１３７】そして、本発明によれば、ユーザは、未知
データの予測結果が得られるときにあって、その予測結
果が自分の希望するものでない場合に、希望予測値を結
果値として持つとともに、希望予測値が実現されること
になる未知データの予測ルートと同一予測ルートに従う
既知データを得ることができるようになることで、予測
結果を希望する予測値へと変化させるために、未知デー
タの持つ属性値をどのように変更すればよいのかについ
て知ることができるようになる。According to the present invention, when a prediction result of unknown data is obtained and the prediction result is not what the user desires, the user has a desired prediction value as a result value, By being able to obtain known data that follows the same prediction route as the prediction route of unknown data in which the desired prediction value is to be realized, in order to change the prediction result to the desired prediction value, You will be able to know how to change the attribute values you have.
【０１３８】このようにして、本発明によれば、ユーザ
は、未知データの予測結果が得られるときにあって、そ
の予測結果が自分の希望するものでない場合に、予測結
果を希望する予測値へと変化させるために、未知データ
の持つ属性値をどのように変更すればよいのかについて
知ることができるようになる。As described above, according to the present invention, when a prediction result of unknown data is obtained and the prediction result is not the one desired by the user, the user can obtain the prediction value desired by the prediction result. It is possible to know how to change the attribute value of the unknown data in order to change to.
【図１】本発明の概要構成図である。FIG. 1 is a schematic configuration diagram of the present invention.
【図２】決定木の説明図である。FIG. 2 is an explanatory diagram of a decision tree.
【図３】ルールの説明図である。FIG. 3 is an explanatory diagram of a rule.
【図４】本発明の一実施形態例である。FIG. 4 is an embodiment of the present invention.
【図５】既知データ／未知データの説明図である。FIG. 5 is an explanatory diagram of known data / unknown data.
【図６】ＭＢＲの説明図である。FIG. 6 is an explanatory diagram of MBR.
【図７】ニューラルネットワークの説明図である。FIG. 7 is an explanatory diagram of a neural network.
【図８】バックプロパゲーション法の説明図である。FIG. 8 is an explanatory diagram of a back propagation method.
【図９】バックプロパゲーション法の説明図である。FIG. 9 is an explanatory diagram of a back propagation method.
【図１０】バックプロパゲーション法の説明図である。FIG. 10 is an explanatory diagram of a back propagation method.
【図１１】成長側抑制型のバックプロパゲーション法の
説明図である。FIG. 11 is an explanatory view of a growth-side suppression type back propagation method.
【図１２】構造化ニューラルネットワークの説明図であ
る。FIG. 12 is an explanatory diagram of a structured neural network.
【図１３】分析プログラムの実行する全体的な処理につ
いての処理フローである。FIG. 13 is a process flow of an overall process executed by the analysis program.
【図１４】変更属性の設定処理の説明図である。FIG. 14 is an explanatory diagram of a setting process of a change attribute.
【図１５】予測分析処理の一実施形態例である。FIG. 15 is an example of an embodiment of a prediction analysis process.
【図１６】予測分析処理の他の実施形態例である。FIG. 16 is another example of the prediction analysis processing.
【図１７】予測分析処理の他の実施形態例である。FIG. 17 shows another embodiment of the prediction analysis processing.
【図１８】予測分析処理の説明図である。FIG. 18 is an explanatory diagram of a prediction analysis process.
【図１９】予測分析処理の他の実施形態例である。FIG. 19 shows another embodiment of the prediction analysis processing.
【図２０】予測分析処理の説明図である。FIG. 20 is an explanatory diagram of a prediction analysis process.
【図２１】予測分析処理の他の実施形態例である。FIG. 21 shows another example of the prediction analysis processing.
【図２２】Iterative Inversion 法の説明図である。FIG. 22 is an explanatory diagram of the Iterative Inversion method.
【図２３】逆計算法の説明図である。FIG. 23 is an explanatory diagram of an inverse calculation method.
１ 予測分析装置 １０ 既知データ記憶部 １１ 予測機能生成部 １２ 予測部 １３ 分析部 １４ 処理属性設定部 １５ 探索範囲設定部 DESCRIPTION OF SYMBOLS 1 Prediction analyzer 10 Known data storage part 11 Prediction function generation part 12 Prediction part 13 Analysis part 14 Processing attribute setting part 15 Search range setting part
Claims (10)
の対応関係を記述する既知データを利用して、未知デー
タの持つ属性値に対応付けられる結果値を予測する予測
部と、 上記予測部の予測結果を希望する予測値へと変化させる
ために、未知データの持つ属性値をどのように変更すれ
ばよいのかについて示す分析情報を得て、それを提示す
る分析部とを備えることを、 特徴とする予測分析装置。1. A prediction unit for predicting a result value associated with an attribute value of unknown data using known data describing a correspondence relationship between an attribute value and a result value associated with the attribute value. In order to change the prediction result to the desired prediction value, obtain analysis information indicating how to change the attribute value of the unknown data, and provide an analysis unit for presenting the analysis information. Characteristic predictive analyzer.
いて、 上記分析部は、上記分析情報として、希望予測値を結果
値として持つとともに、未知データの持つ属性値に類似
する属性値を持つ１つ又は複数の既知データを特定する
ように処理することを、 特徴とする予測分析装置。2. The prediction analysis device according to claim 1, wherein the analysis unit has a desired prediction value as a result value and an attribute value similar to an attribute value of unknown data as the analysis information. A predictive analysis device, characterized by processing to identify one or more known data.
いて、 上記分析部は、上記分析情報として、希望予測値が実現
されることになる未知データの持つ属性値、あるいは、
該属性値への変更量を算出するように処理することを、 特徴とする予測分析装置。3. The prediction analysis device according to claim 1, wherein the analysis unit includes, as the analysis information, an attribute value of unknown data in which a desired prediction value is realized.
A predictive analysis device characterized by performing processing to calculate a change amount to the attribute value.
いて、 上記分析部は、既知データにより構築される結果値を算
出するためのデータ変換機能を使い、該データ変換機能
を変更させることなく、未知データの結果値と希望予測
値との誤差を逆伝搬させる形で学習を行うことで、希望
予測値が実現されることになる未知データの持つ属性
値、あるいは、該属性値への変更量を算出するように処
理することを、 特徴とする予測分析装置。4. The prediction analysis device according to claim 3, wherein the analysis unit uses a data conversion function for calculating a result value constructed from the known data without changing the data conversion function. By performing learning by backpropagating the error between the result value of the unknown data and the desired predicted value, the attribute value of the unknown data that realizes the desired predicted value, or the change to the attribute value A predictive analysis device characterized by processing to calculate an amount.
いて、 上記分析部は、上記分析情報として、希望予測値を結果
値として持つとともに、希望予測値が実現されることに
なる未知データの予測ルートと同一予測ルートに従う１
つ又は複数の既知データを特定するように処理すること
を、 特徴とする予測分析装置。5. The prediction analysis device according to claim 1, wherein the analysis unit has a desired prediction value as a result value as the analysis information, and the unknown data of the unknown data in which the desired prediction value is realized. Follow the same predicted route as the predicted route 1
A predictive analysis device characterized by performing processing to specify one or a plurality of known data.
いて、 上記分析部は、既知データにより構築される結果値を導
出するためのアルゴリズムを使い、未知データが希望予
測値を結果値として持つことになるようにと該アルゴリ
ズムを変更しつつ、上記同一予測ルートに従う既知デー
タを特定するように処理することを、 特徴とする予測分析装置。6. The prediction analysis apparatus according to claim 5, wherein the analysis unit uses an algorithm for deriving a result value constructed from known data, and the unknown data has a desired prediction value as a result value. A prediction analysis device that performs processing so as to identify known data that follows the same prediction route while changing the algorithm so as to be different.
される予測分析装置において、 上記分析部は、上記分析情報を得るにあたって、分析対
象となる属性を設定して、その設定した分析対象属性の
属性値を使って、上記分析情報を得るように処理するこ
とを、 特徴とする予測分析装置。7. The predictive analysis device according to claim 1, wherein the analysis unit sets an analysis target attribute to obtain the analysis information, and sets the analysis target. A predictive analysis device characterized by performing processing to obtain the analysis information using an attribute value of a target attribute.
される予測分析装置において、 上記分析部は、上記分析情報を得るにあたって、属性値
の探索範囲を設定して、その設定した探索範囲に入るこ
とを条件にしつつ、上記分析情報を得るように処理する
ことを、 特徴とする予測分析装置。8. The prediction analysis apparatus according to claim 1, wherein the analysis unit sets a search range of an attribute value when obtaining the analysis information, and sets the search range. A predictive analysis apparatus characterized by performing processing so as to obtain the above-mentioned analysis information, provided that the analysis information is included in a range.
の対応関係を記述する既知データを利用して、未知デー
タの持つ属性値に対応付けられる結果値を予測する処理
と、 上記予測結果を希望する予測値へと変化させるために、
未知データの持つ属性値をどのように変更すればよいの
かについて示す分析情報を得て、それを提示する処理と
をコンピュータに実行させるための予測分析プログラ
ム。9. A process of predicting a result value associated with an attribute value of unknown data using known data describing a correspondence relationship between an attribute value and a result value associated therewith; To change to the desired forecast,
A predictive analysis program for obtaining analysis information indicating how to change an attribute value of unknown data and presenting the analysis information to a computer.
との対応関係を記述する既知データを利用して、未知デ
ータの持つ属性値に対応付けられる結果値を予測する処
理と、 上記予測結果を希望する予測値へと変化させるために、
未知データの持つ属性値をどのように変更すればよいの
かについて示す分析情報を得て、それを提示する処理と
をコンピュータに実行させるためのプログラムを記録し
た予測分析プログラムの記録媒体。10. A process of predicting a result value associated with an attribute value of unknown data by using known data describing a correspondence between an attribute value and a result value associated therewith; To change to the desired forecast,
A recording medium for a prediction analysis program in which a program for obtaining a piece of analysis information indicating how to change an attribute value of unknown data and presenting the analysis information and causing a computer to execute the processing is presented.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001307179A JP3974763B2 (en) | 2000-10-25 | 2001-10-03 | Prediction analysis apparatus and prediction analysis program |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000-325213 | 2000-10-25 | ||
| JP2000325213 | 2000-10-25 | ||
| JP2001307179A JP3974763B2 (en) | 2000-10-25 | 2001-10-03 | Prediction analysis apparatus and prediction analysis program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002202889A true JP2002202889A (en) | 2002-07-19 |
| JP3974763B2 JP3974763B2 (en) | 2007-09-12 |
Family
ID=26602726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001307179A Expired - Fee Related JP3974763B2 (en) | 2000-10-25 | 2001-10-03 | Prediction analysis apparatus and prediction analysis program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3974763B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020135068A (en) * | 2019-02-13 | 2020-08-31 | 株式会社キーエンス | Data analysis device |
| JP2021523489A (en) * | 2018-07-26 | 2021-09-02 | ディーピング ソース インコーポレイテッド． | A method of concealing data and a data modulation device using this |
-
2001
- 2001-10-03 JP JP2001307179A patent/JP3974763B2/en not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021523489A (en) * | 2018-07-26 | 2021-09-02 | ディーピング ソース インコーポレイテッド． | A method of concealing data and a data modulation device using this |
| JP7041823B2 (en) | 2018-07-26 | 2022-03-25 | ディーピング ソース インコーポレイテッド． | A method of concealing data and a data modulation device using this |
| JP2020135068A (en) * | 2019-02-13 | 2020-08-31 | 株式会社キーエンス | Data analysis device |
| JP7257169B2 (en) | 2019-02-13 | 2023-04-13 | 株式会社キーエンス | data analyzer |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3974763B2 (en) | 2007-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503531B (en) | Dynamic social scene recommendation method based on time sequence perception | |
| US20020049685A1 (en) | Prediction analysis apparatus and program storage medium therefor | |
| US20240078475A1 (en) | Attributing reasons to predictive model scores with local mutual information | |
| CN111061962B (en) | Recommendation method based on user scoring analysis | |
| Yu et al. | A rough-set-refined text mining approach for crude oil market tendency forecasting | |
| Yakubu et al. | Forecasting the importance of product attributes using online customer reviews and Google Trends | |
| CN108665311B (en) | Electric commercial user time-varying feature similarity calculation recommendation method based on deep neural network | |
| JP3762840B2 (en) | Prediction apparatus and method for performing prediction based on similar cases | |
| JP2002092305A (en) | Score calculating method, and score providing method | |
| CN111723292A (en) | Recommendation method and system based on graph neural network, electronic device and storage medium | |
| CN112562863A (en) | Epidemic disease monitoring and early warning method and device and electronic equipment | |
| Ahamed et al. | A recommender system based on deep neural network and matrix factorization for collaborative filtering | |
| CN111178986A (en) | User-commodity preference prediction method and system | |
| Weng et al. | Mining time series data for segmentation by using Ant Colony Optimization | |
| CN110992194A (en) | User reference index algorithm based on attribute-containing multi-process sampling graph representation learning model | |
| CN111931069B (en) | User interest determination method and device and computer equipment | |
| Kumar et al. | A novel fuzzy rough sets theory based cf recommendation system | |
| Sakri et al. | Analysis of the dimensionality issues in house price forecasting modeling | |
| Yin et al. | Rsygan: Generative adversarial network for recommender systems | |
| CN110727867A (en) | Semantic entity recommendation method based on fuzzy mechanism | |
| JP3974763B2 (en) | Prediction analysis apparatus and prediction analysis program | |
| CN113571198A (en) | Conversion rate prediction method, device, equipment and storage medium | |
| CN113537731A (en) | Design resource capacity evaluation method based on reinforcement learning | |
| JP2003323601A (en) | Predicting device with reliability scale | |
| CN113516553A (en) | Credit risk early warning method and device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040512 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060620 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061121 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070118 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070410 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070515 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070612 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070615 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100622 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110622 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120622 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120622 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130622 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140622 Year of fee payment: 7 |
|
| LAPS | Cancellation because of no payment of annual fees |