|
連続的入力データからの規則発見に際し、自乗出力誤差と得られる規則の複雑さのバランスが重要である。このトレードオフを表現するのがAICなどの情報量基準である。忘却付き構造学習においてAICが最小となる忘却量を選定する。ただこれだけでは適切な複雑さの規則が求まらないので、各隠れユニットの入力結合数を制限したいくつかのネットワークを学習し、この中から最も適合度の高いものを選び、規則を求めた。さらに、機械学習の分野で良く用いられているC4.5との比較を行った。またアヤメに関してはFuが提案したKT法との比較も行った。C4.5とKT法は、各項が一属性からなる単純な規則しか生成できないのに対し、本方法では適切な複雑さの規則を生成することが可能である。
第一は2個の入力属性を持つ二次元平面上の各点を2クラス(図形/非図形)に分類する課題であり、各項が一属性からなる規則では説明が困難である。C4.5では規則は多数の単純な規則が求まるのに対し、本手法では2属性からなる6個の規則でほぼ説明が可能である。第二は4個の入力属性を持つアヤメのデータを3クラス(setosa/versicolor/verginica)に分類する課題である。高々3属性からなる3個の規則が、150データ中148個を説明する。第三は5個の入力属性を持つ甲状腺機能のデータを3クラス(正常/低下症/亢進症)に分類する課題である。2入力からなる4個の規則が、215個のデータすべてを説明する。いずれもC4.5やKT法よりも分類誤りが少ない。
連続値入力と離散値入力が混在したデータからの規則の発見、および連続値入出力データからの規則の発見に関しては、まだ十分な結果が得られていない。これらは今後に残された研究課題である。
|
