| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
種々の実験を通してMLRGの特徴を次第に把握できた．実験では，DISにランダムに欠損値を追加しNISを作り，このNISにMLRGを応用し，どの程度の推定値が正解になるかを調べた．例えば，属性がA,B,C,D,E，対象xのタプルが (1,2,?,?,4) (?は欠損値)であるとし，NIS-アプリオリ法により下記ルールが得られたとする．
Rule1: [A,1]=>[C,2]（supportの最小値 minsupp=0.1, accuracyの最小値 minacc=0.6），
Rule2: [B,2]&[E,4]=>[C,1]（minsupp=0.1, minacc=0.7）．
いずれのルールも対象xに適用可能であるが，minacc値の高いRule2を用いxの欠損値を1と推定する．その後，タプルを（1,2,1,?,4）に直し，決定属性を変えながらこの手続きを繰り返し，得られたNISとDISの比較により推定値の正解率を調べた．結果，属性間に依存関係があるデータではminacc値が高くなり正解率も高くなった．Congressional Votingデータでは属性a5における29欠損値に対して27推定値が正解となり，93％の正解率となった．一方，元々依存関係が無い属性では正解率は低く，MLRGの手法は効果的に作用しなかった．MLRGの手法をすべてのNISに常に活用できるとは限らないが，実験を通してMLRGの機能「欠損値を含む表においても局所的な属性間の依存関係（具体的にはルール）を検出でき，都合の良い場合には欠損値をほぼ正しく推定できる」を確認できたと考える．
研究室の学生の協力も受けPythonによる実行環境もかなり整えた．整備した環境と実行例を示すための動画をhttps://www.mns.kyutech.ac.jp/~sakai/RNIA/ にアップロードし公開している．
|
