JP2002202889A

JP2002202889A - 予測分析装置、予測分析プログラム及びそのプログラムの記録媒体

Info

Publication number: JP2002202889A
Application number: JP2001307179A
Authority: JP
Inventors: Yoshinori Yaginuma; 義典柳沼
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2000-10-25
Filing date: 2001-10-03
Publication date: 2002-07-19
Anticipated expiration: 2021-10-03
Also published as: JP3974763B2

Abstract

(57)【要約】【課題】本発明は、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の提供を目的と
する。【解決手段】希望予測値を結果値として持つ未知デー
タに類似する既知データを特定したり、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、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未知デー
タの属性値を算出したり、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、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特定して、それをユー
ザに提示する。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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＝ΣＡ_i×Ｘ_i( Ｘ_i：属性値，Ａ_i：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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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
Ａ_i×Ｘ_i( Ｘ_i：属性値，Ａ_i：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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【００５５】また、予測機構３００が「Ｙ＝ΣＡ_i×Ｘ
_i( Ｘ_i: 属性値，Ａ_i：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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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（ｕ_i−ｘ_i）² ε：最大許容値ｉ：属性番号ｕ_i：未知データｘ_i：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。

【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。

【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。

【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。

【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Ｄ_lを用意し、続くステップ１０２で、変
数ｊに０をセットする。

【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。

【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。

【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。

【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。

【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
ｘ_iと、未知データの持つ属性値ｕ_iとの間の距離ｄ
を、例えば、ｄ＝〔Σ（ｕ_i−ｘ_i）²〕^1/2 に従って算出する。

【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。

【００８１】続いて、ステップ１１０で、算出した距離
ｄが配列Ｄ_l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。

【００８２】一方、配列Ｄ_l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Ｄ_l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Ｄ_l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。

【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。

【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ｘ_iと、未知データの持つ属性値ｕ_i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ｗ_iを考慮
した形のｄ＝〔Σｗ_i（ｕ_i−ｘ_i）²〕^1/2 に従って算出するようにしてもよい。ここで、このｗ_i
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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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＝ΣＡ_i×Ｘ_i(
Ｘ_i：属性値，Ａ_i：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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【図面の簡単な説明】

【図１】本発明の概要構成図である。

【図２】決定木の説明図である。

【図３】ルールの説明図である。

【図４】本発明の一実施形態例である。

【図５】既知データ／未知データの説明図である。

【図６】ＭＢＲの説明図である。

【図７】ニューラルネットワークの説明図である。

【図８】バックプロパゲーション法の説明図である。

【図９】バックプロパゲーション法の説明図である。

【図１０】バックプロパゲーション法の説明図である。

【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。

【図１２】構造化ニューラルネットワークの説明図であ
る。

【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。

【図１４】変更属性の設定処理の説明図である。

【図１５】予測分析処理の一実施形態例である。

【図１６】予測分析処理の他の実施形態例である。

【図１７】予測分析処理の他の実施形態例である。

【図１８】予測分析処理の説明図である。

【図１９】予測分析処理の他の実施形態例である。

【図２０】予測分析処理の説明図である。

【図２１】予測分析処理の他の実施形態例である。

【図２２】Iterative Inversion 法の説明図である。

【図２３】逆計算法の説明図である。

【符号の説明】

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

Claims

【特許請求の範囲】

【請求項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。
【請求項２】請求項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。
【請求項３】請求項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。
【請求項４】請求項３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。
【請求項５】請求項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。
【請求項６】請求項５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。
【請求項７】請求項１ないし６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。
【請求項８】請求項１ないし７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。
【請求項９】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。
【請求項１０】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。