特開 2022-190881 施策提示装置、施策提示方法、および施策提示プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022190881

(43)【公開日】2022-12-27

(54)【発明の名称】施策提示装置、施策提示方法、および施策提示プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20221220BHJP

   G06N 3/08 20060101ALI20221220BHJP

【ＦＩ】

G06N20/00

G06N3/08

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2021099388

(22)【出願日】2021-06-15

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110001678

【氏名又は名称】藤央弁理士法人

(72)【発明者】

【氏名】山下 泰穂

(72)【発明者】

【氏名】柴原 琢磨

(57)【要約】

【課題】予測モデルが出力する予測結果を改善するためには、どの特徴量をどのように変化させる施策を取るべきかを提示すること。
【解決手段】施策提示装置は、複数の特徴量の値により構成される特徴量ベクトルと目的変数の値とによって学習された予測モデルを取得し、目的変数の目標となる目標目的変数の値と、複数の特徴量の中の改善対象特徴量と、を設定し、改善対象特徴量の変更前後の値の差と、変更前後の値の重みを規定するコスト計量と、に基づいて定義され、改善対象特徴量の変更前の値を変化させるコストが小さくなるように、改善対象特徴量の変更後の値を算出し、改善対象特徴量の変更後の値を予測モデルに入力した結果得られる目的変数の予測値と、目標目的変数の値と、に基づいて、改善対象特徴量の改善後の値を探索し、探索結果を出力する。
【選択図】図１

【特許請求の範囲】

【請求項1】

プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する施策提示装置であって、
前記プロセッサは、
複数の特徴量の値により構成される特徴量ベクトルと目的変数の値とによって学習された予測モデルを取得する取得処理と、
前記目的変数の目標となる目標目的変数の値と、前記複数の特徴量の中の改善対象特徴量と、を設定する設定処理と、
前記改善対象特徴量の変更前後の値の差と、前記変更前後の値の重みを規定するコスト計量と、に基づいて定義され、前記改善対象特徴量の変更前の値を変化させるコストが小さくなるように、前記改善対象特徴量の変更後の値を算出する算出処理と、
前記算出処理によって算出された前記改善対象特徴量の変更後の値を前記予測モデルに入力した結果得られる前記目的変数の予測値と、前記目標目的変数の値と、に基づいて、前記改善対象特徴量の改善後の値を探索する探索処理と、
前記探索処理による探索結果を出力する出力処理と、
を実行することを特徴とする施策提示装置。

【請求項2】

請求項１に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、前記複数の特徴量の中から前記改善対象特徴量の選択を受け付けることにより、前記改善対象特徴量を設定する、
ことを特徴とする施策提示装置。

【請求項3】

請求項１に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、前記コスト計量の入力を受け付けることにより、前記改善対象特徴量を設定する、
ことを特徴とする施策提示装置。

【請求項4】

請求項１に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、前記改善対象特徴量の値を増減させる一部の重みの入力を受け付けることにより、前記コスト計量を設定する、
ことを特徴とする施策提示装置。

【請求項5】

請求項４に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、負の相関を示す一対の改善対象特徴量の入力を受け付け、前記一部の重みと、前記一対の改善対象特徴量の一方についての前記変更前後の値と前記一対の改善対象特徴量の他方についての前記変更前後の値とが異なる符号の値をとる場合に前記コストを増加させる残余の重みと、により、前記コスト計量を設定する、
ことを特徴とする施策提示装置。

【請求項6】

請求項４に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、正の相関を示す一対の改善対象特徴量の入力を受け付け、前記一部の重みと、前記一対の改善対象特徴量の一方についての前記変更前後の値と前記一対の改善対象特徴量の他方についての前記変更前後の値とが同一符号の値をとる場合に前記コストを増加させる残余の重みと、により、前記コスト計量を設定する、
ことを特徴とする施策提示装置。

【請求項7】

請求項１に記載の施策提示装置であって、
前記設定処理では、前記プロセッサは、前記改善対象特徴量間の相関関係に基づいて、前記コスト計量を設定する、
ことを特徴とする施策提示装置。

【請求項8】

請求項１に記載の施策提示装置であって、
前記算出処理では、前記プロセッサは、前記コストを最小化する前記改善対象特徴量の変更後の値を算出する、
ことを特徴とする施策提示装置。

【請求項9】

請求項１に記載の施策提示装置であって、
前記探索処理では、前記プロセッサは、前記目的変数の予測値と、前記目標目的変数の値と、前記コストと、に基づいて、前記改善対象特徴量の改善後の値を探索する、
ことを特徴とする施策提示装置。

【請求項10】

請求項１に記載の施策提示装置であって、
前記探索処理では、前記プロセッサは、前記目的変数の予測値が前記目標目的変数の値を超えた場合に、前記改善対象特徴量の変更後の値を前記改善対象特徴量の改善後の値に決定する、
ことを特徴とする施策提示装置。

【請求項11】

請求項１に記載の施策提示装置であって、
前記出力処理では、前記プロセッサは、前記改善対象特徴量の変更前の値と前記改善対象特徴量の改善後の値とを前記探索結果として表示可能に出力する、
ことを特徴とする施策提示装置。

【請求項12】

請求項１に記載の施策提示装置であって、
前記出力処理では、前記プロセッサは、前記改善対象特徴量の改善後の値が前記予測モデルに入力されたことにより出力される予測値を表示可能に出力する、
ことを特徴とする施策提示装置。

【請求項13】

プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する施策提示装置による施策提示方法であって、
前記プロセッサが、
複数の特徴量の値により構成される特徴量ベクトルと目的変数の値とによって学習された予測モデルを取得する取得処理と、
前記目的変数の目標となる目標目的変数の値と、前記複数の特徴量の中の改善対象特徴量と、を設定する設定処理と、
前記改善対象特徴量の変更前後の値の差と、前記変更前後の値の重みを規定するコスト計量と、に基づいて定義され、前記改善対象特徴量の変更前の値を変化させるコストが小さくなるように、前記改善対象特徴量の変更後の値を算出する算出処理と、
前記算出処理によって算出された前記改善対象特徴量の変更後の値を前記予測モデルに入力した結果得られる前記目的変数の予測値と、前記目標目的変数の値と、に基づいて、前記改善対象特徴量の改善後の値を探索する探索処理と、
前記探索処理による探索結果を出力する出力処理と、
を実行することを特徴とする施策提示方法。

【請求項14】

プロセッサに、
複数の特徴量の値により構成される特徴量ベクトルと目的変数の値とによって学習された予測モデルを取得する取得処理と、
前記目的変数の目標となる目標目的変数の値と、前記複数の特徴量の中の改善対象特徴量と、を設定する設定処理と、
前記改善対象特徴量の変更前後の値の差と、前記変更前後の値の重みを規定するコスト計量と、に基づいて定義され、前記改善対象特徴量の変更前の値を変化させるコストが小さくなるように、前記改善対象特徴量の変更後の値を算出する算出処理と、
前記算出処理によって算出された前記改善対象特徴量の変更後の値を前記予測モデルに入力した結果得られる前記目的変数の予測値と、前記目標目的変数の値と、に基づいて、前記改善対象特徴量の改善後の値を探索する探索処理と、
前記探索処理による探索結果を出力する出力処理と、
を実行させることを特徴とする施策提示プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、施策を提示する施策提示装置、施策提示方法、および施策提示プログラムに関する。

【背景技術】

【0002】

機械学習モデルは、各特徴量について値が記されたデータから、ある目的変数を予測するモデルである。一般に、機械学習モデルは目的変数の予測のみを出力とし、どうすればその予測を変えられるのかは機械学習モデルから提示されない。

【0003】

機械学習モデルの実問題適用においては、予測結果のみを用いて問題解決可能な問題を除き、機械が出した予測結果から、問題に対してどのようにアプローチするかを人間の手で考え、決定する必要がある。このような意思決定を補助するために、Ｅｘｐｌａｉｎａｂｌｅ ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）と呼ばれる、予測だけではなく、予測の要因の解析を自動化する手法が盛んに研究されている。しかし、Ｅｘｐｌａｉｎａｂｌｅ ＡＩは要因を明らかにするのみで、予測とその要因からどのように問題にアプローチするかまでは自動化されない。

【0004】

そこで、機械学習による予測モデルから、実際の問題を解決するための方策を自動的に導出するニーズが存在する。たとえば、ある企業の業績を上げたいという問題が存在するとする。これまでの企業データから各企業の売上を予測するモデルを生成したとき、重要となるのは売上がどうなるかという予測結果そのものではなく、どのような方策をとれば売上が下がるまたは横ばいとなると予測された企業の売上を、上げさせられるかである。

【0005】

他の分野でもこのようなニーズは存在する。たとえば、医療および福祉の分野においては、患者が回復するか否かだけでなく、患者にどのような介入を行えば回復しないと予測される患者を回復させることができるかを自動的に提示することが求められる。

【0006】

下記特許文献１は、広告などのメールを作成する際に、メールの受信者が狙った行動をとるようにメールの修正を提案する手法を開示する。特許文献１の技術は、たとえば、メールの送信時刻およびタイトルから受信者がメールを開くか否かを予測する機械学習モデルを作成し、受信者がメールを開く確率が大きくなるような送信時刻およびタイトルを探索し、確率値が最も大きくなる送信時刻およびタイトルを提示する。

【0007】

下記特許文献２は、分析対象についての説明の容易化を高精度かつ効率的に実現するデータ分析装置を開示する。このデータ分析装置は、入力層と、出力層と、その間において前段の層からのデータと第１学習パラメータとを第１活性化関数に与えて計算して後段の層に計算結果を出力する２層以上の中間層と、により構成される第１ニューラルネットワークを用い、各中間層からの出力データと第２学習パラメータとに基づいて、各出力データを同一サイズの次元数に変換させて、変換後の各出力データを出力する変換部と、変換後の出力データと、入力層に与えられた第１特徴量空間の第１入力データと、に基づいて、第１特徴量空間の第１入力データを第２特徴量空間に再配置する再配置部と、再配置結果と第３学習パラメータとに基づいて、第１特徴量空間の第１入力データに対する予測データを算出する予測データ算出部と、変換後の各出力データと第３学習パラメータとに基づいて、各中間層における第１入力データの第１重要度を算出する重要度算出部と、を有する。

【0008】

下記非特許文献１は、予測を行うＤｅｅｐ Ｌｅａｒｎｉｎｇなどの機械学習モデルに対し、その予測の要因の解析を自動化する手法を開示する。非特許文献１の技術は、予測を行う機械学習モデルに基づいて新たに線形回帰またはロジスティック回帰を学習し、特徴量の重要度を算出することによって、要因を自動的に解析する。ロジスティック回帰はパーセプトロンと等価な機械学習モデルであり、あらゆる分野で最も広く用いられている。たとえば、下記非特許文献２の１１９ページに示されるロジスティック回帰は、テストサンプル全体について特徴量の重要度を算出する機能を持つ。

【先行技術文献】

【特許文献】

【0009】

【特許文献1】米国特許第０９３１７８１６号公報

【特許文献2】特開２０１９－７９３０５号公報

【非特許文献】

【0010】

【非特許文献1】Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "Why should I trust you?: Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016.

【非特許文献2】Friedman J, Trevor H, Robert T. The elements of statistical learning. second edition. New York: Springer series in statistics, 2001.

【発明の概要】

【発明が解決しようとする課題】

【0011】

特許文献１の手法は、メールの修正というアプリケーションの性質上、修正にかかるコストが極めて小さいため、あらゆる修正の中で受信者が狙った行動をする確率値が最も高くなる修正を選びさえすればよい。しかし、マーケティングや医療などの一般の問題では、何らかの方策を行うことにはコストが付随する。たとえば、営業の頻度を増やせば売上を上げられるからといって、無制限に営業の頻度を増やすことはできない。したがって、特許文献1の手法は一般の問題にそのまま適用することは難しい。

【0012】

非特許文献１の手法は、予測結果においてどの特徴量が重要であったかを明らかにできるが、どの特徴量をどのように変えれば予測結果を変えることができるかは明らかにすることができない。

【0013】

本発明は、予測モデルが出力する予測結果を改善するためには、どの特徴量をどのように変化させる施策を取るべきかを提示することを目的とする。

【課題を解決するための手段】

【0014】

本願において開示される発明の一側面となる施策提示装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する施策提示装置であって、前記プロセッサは、複数の特徴量の値により構成される特徴量ベクトルと目的変数の値とによって学習された予測モデルを取得する取得処理と、前記目的変数の目標となる目標目的変数の値と、前記複数の特徴量の中の改善対象特徴量と、を設定する設定処理と、前記改善対象特徴量の変更前後の値の差と、前記変更前後の値の重みを規定するコスト計量と、に基づいて定義され、前記改善対象特徴量の変更前の値を変化させるコストが小さくなるように、前記改善対象特徴量の変更後の値を算出する算出処理と、前記算出処理によって算出された前記改善対象特徴量の変更後の値を前記予測モデルに入力した結果得られる前記目的変数の予測値と、前記目標目的変数の値と、に基づいて、前記改善対象特徴量の改善後の値を探索する探索処理と、前記探索処理による探索結果を出力する出力処理と、を実行することを特徴とする。

【発明の効果】

【0015】

本発明の代表的な実施の形態によれば、予測モデルが出力する予測結果を改善するためには、どの特徴量をどのように変化させる施策を取るべきかを提示することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

【図面の簡単な説明】

【0016】

【図1】図１は、ＡＩの比較例を示す説明図である。

【図2】図２は、（Ｃ）施策提示可能ＡＩを実現する施策提示装置の構成例を示す説明図である。

【図3】図３は、施策提示装置のハードウェア構成例を示すブロック図である。

【図4】図４は、施策提示装置の機能的構成例を示すブロック図である。

【図5】図５は、施策提示装置による施策提示処理手順例を示すフローチャートである。

【図6】図６は、施策提示装置による設定画面例１を示す説明図である。

【図7】図７は、施策提示装置による設定画面例２を示す説明図である。

【図8】図８は、施策提示装置による設定画面例３を示す説明図である。

【図9】図９は、テストサンプルとマニュアルモードにおける探索結果とを比較した図表である。

【図10】図１０は、テストサンプルとセミマニュアルモードにおける探索結果とを比較した図表である。

【発明を実施するための形態】

【実施例0017】

＜ＡＩの比較例＞
図１は、ＡＩの比較例を示す説明図である。（Ａ）～（Ｃ）の各グラフにおいて、横軸を時間、縦軸を顧客がサービスを継続する可能性を示す継続確率とする。（Ａ）一般的なＡＩは、学習により得られた予測モデルで未来予測を実行する。すなわち、（Ａ）の例では、未来予測において継続確率が低下しており、ＡＩは、顧客が契約破棄によりサービスを離脱する時期を予測する。

【0018】

（Ｂ）説明可能ＡＩは、学習により得られた予測モデルで未来予測を実行するとともに、なぜそのような予測結果になったかを説明する。（Ｂ）の例では、（Ａ）と同様、未来予測において継続確率が低下しており、説明可能ＡＩは、顧客が契約破棄によりサービスを離脱する時期を予測するとともに、顧客の離脱要因の説明することが可能である。

【0019】

（Ｃ）施策提示可能ＡＩは、学習により得られた予測モデルを用いて、未来を変える施策を提案する。（Ｃ）の例では、（Ａ）および（Ｂ）とは異なり、未来を変える施策の提案により、未来予測において継続確率が上昇する。このように、施策提示可能ＡＩは、顧客のサービスからの離脱を回避する施策を提案することにより、サービスの継続確率を高める。以降の説明では、（Ｃ）施策提示可能ＡＩを実現する施策提示装置について説明する。

【0020】

実施例１では、２０１８年度までの企業データを用いて、２０１９年度の企業の売上高を予測する予測モデルを作成し、これらの企業データと予測モデルとに基づいて、企業の売上を目標値まで上げるためには企業データのどの特徴量をどのように変化させればよいかという施策を提示する施策提示装置を例に挙げて説明する。施策提示装置が出力する施策は、企業の成長のためにはどのような経営方針をとればよいかを示すことにつながる。

【0021】

＜（Ｃ）施策提示可能ＡＩを実現する施策提示装置の構成例＞
図２は、（Ｃ）施策提示可能ＡＩを実現する施策提示装置２００の構成例を示す説明図である。施策提示装置２００において、学習データセット２０１は、複数の学習データの集合であり、フィールドとして、ＩＤ２１０と、目的変数２１１と、特徴量ベクトル２１２と、を有する。同一行の各フィールドの値の組み合わせが１つの学習データを構成するエントリとなる。

【0022】

ＩＤ２１０は、学習データを一意に特定する識別情報である。たとえば、学習データが企業データである場合、ＩＤ２１０は企業を一意に特定する。Ｎは、学習データの総数となる。たとえば、Ｎ＝３０００である。

【0023】

目的変数２１１は、特徴量ベクトル２１２に対応する正解データであり、回帰の場合は連続値（企業データの例では、企業の売上高）、分類の場合はラベル（たとえば、ｐｏｓｉｔｉｖｅまたはｎｅｇａｔｉｖｅ）である。

【0024】

特徴量ベクトル２１２は、介入不可能特徴量ベクトル２２１と、介入可能特徴量ベクトル２２２と、の組み合わせとなるＤ次元ベクトル（Ｄは１以上の整数）である。特徴量ベクトル２１２が企業データである場合、特徴量ベクトル２１２は、たとえば、２０１８年度までの各企業の規模や事業内容等の企業概要や、資本状況や経営状況などの情報を含む。ＩＤ２１０が「ｎ」の特徴量ベクトル２１２を特徴量ベクトルｘ（ｎ）と表記する場合がある。

【0025】

介入不可能特徴量ベクトル２２１は、ｍ個（ｍは０以上の整数）の介入不可能特徴量ｆａ１～ｆａｍ（介入不可能特徴量ｆａ１～ｆａｍを区別しない場合は、単に介入不可能特徴量ｆａと表記。）の値を示すベクトルである。

【0026】

介入不可能特徴量ｆａ１～ｆａｍとは、深層学習２０２には有用だが、改善提案について介入不可能な特徴量（たとえば、顧客の資産金額）である。介入可能特徴量ベクトル２２２は、深層学習２０２には有用なｄ個（ｄは１以上の整数）の介入可能特徴量ｆｂ１～ｆｂｄ（介入可能特徴量ｆｂ１～ｆｂｄを区別しない場合は、単に介入可能特徴量ｆｂと表記。）の値を示すベクトルである。

【0027】

介入可能特徴量ｆｂ１～ｆｂｄとは、改善提案について介入可能な特徴量（たとえば、融資提案額）である。なお、介入不可能特徴量ｆａおよび介入可能特徴量ｆｂを区別しない場合は、単に、特徴量ｆと表記する。

【0028】

深層学習２０２は、学習データセット２０１をニューラルネットワークに与えて学習し、予測モデル２０３を生成する処理である。予測モデル２０３は、特徴量ベクトル２１２が入力されると、その目的変数２１１を予測する機械学習モデルである。特徴量ベクトルが企業データである場合、予測モデル２０３は、たとえば、企業データに基づく企業の来年度の売上高予測モデルである。

【0029】

テストサンプル２０４とは、学習データセット２０１に含まれている特徴量ベクトル２１２とは別の特徴量ベクトルである（学習データセット２０１に含まれている特徴量ベクトル２１２の１つでもよい。）。学習データセット２０１の特徴量ベクトル２１２のＩＤ２１０の値と区別するため、テストサンプル２０４のＩＤ２１０の値を「ｔｅｓｔ」、目的変数２１１の値を「ｙｔ」とする（目的変数ｙｔと表記する場合もある。）。

【0030】

施策提示可能ＡＩ２０５は、テストサンプル２０４と予測モデル２０５とを用いて、テストサンプル２０４への施策情報２０６を出力する。施策提示可能ＡＩ２０５の詳細な処理は後述する。施策情報２０６は、テストサンプル２０４について、改善後の目的変数２６１と、目的変数ｙｔが改善された介入可能特徴量ベクトル２６２と、を含む。

【0031】

改善後の目的変数２６１は、介入不可能特徴量ベクトル２２１と改善された介入可能特徴量ベクトル２６２が予測モデル２０３に入力された場合に出力される予測値である。改善後の目的変数２６１は、回帰の場合は予測確率であり、分類の場合はあるラベル（たとえば、ｐｏｓｉｔｉｖｅ）になる確率である。改善後の介入可能特徴量ベクトル２６２は、介入可能特徴量ｆｂ１～ｆｂｄのうち少なくとも１つを含む。

【0032】

＜施策提示装置２００のハードウェア構成例＞
図３は、施策提示装置２００のハードウェア構成例を示すブロック図である。施策提示装置２００は、プロセッサ３０１と、記憶デバイス３０２と、入力デバイス３０３と、出力デバイス３０４と、通信インタフェース（通信ＩＦ）３０５と、を有する。プロセッサ３０１、記憶デバイス３０２、入力デバイス３０３、出力デバイス３０４、および通信ＩＦ３０５は、バス３０６により接続される。プロセッサ３０１は、施策提示装置２００を制御する。記憶デバイス３０２は、プロセッサ３０１の作業エリアとなる。また、記憶デバイス３０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス３０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス３０３は、データを入力する。入力デバイス３０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイクがある。出力デバイス３０４は、データを出力する。出力デバイス３０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ３０５は、ネットワーク３１０と接続し、クライアント端末３０７とデータを送受信する。

【0033】

なお、施策提示装置２００は、たとえば、負荷分散のために複数台で構成されてもよい。また、クライアント端末３０７も、施策提示装置２００と同様のハードウェア構成となる。

【0034】

＜施策提示装置２００の機能的構成例＞
図４は、施策提示装置２００の機能的構成例を示すブロック図である。施策提示装置２００は、施策提示可能ＡＩ２０５として、取得部４０１と、設定入力部４０２と、算出部４０３と、探索部４０４と、出力部４０５と、を有する。これらは、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムをプロセッサ１０１に実行させることにより実現される。

【0035】

取得部４０１は、学習データセット２０１および予測モデル２０３を記憶デバイスまたは外部のコンピュータから取得する。学習データセット２０１内にテストサンプルがない場合は、取得部４０１は、学習データセット２０１とは別にテストサンプルを取得する。

【0036】

設定入力部４０２は、施策の方針に関わる設定の入力を受け付ける。具体的には、たとえば、設定入力部４０２は、目標入力部４２１、施策特徴量指定部４２２、およびコスト情報入力部４２３を有する。

【0037】

目標入力部４２１は、施策を実行する上で目標となる目的変数の値ｙ_ｔｈｒの入力を受け付ける（以下、目標目的変数ｙ_ｔｈｒと表記。）。目標目的変数ｙ_ｔｈｒは、たとえば、売上高３億円である。施策特徴量指定部４２２は、特徴量ベクトル２１２の中から施策を実行するｄ個（ｄ≦Ｄ）の介入可能特徴量の指定を受け付ける。指定された介入可能特徴量を「施策特徴量」と称す。施策特徴量は、施策の改善対象となる介入可能特徴量である。コスト情報入力部４２３は、施策特徴量を変化させるために必要なコスト情報の入力を受け付ける。

【0038】

このように、設定入力部４０２によってデータが入力されると、施策を実施して特徴量を変化させるコストを計算するためのコスト計量が設定される。コスト計量は、施策実施前後における、各介入可能特徴量ｆｂの値についての特徴量空間の重みで定義される。

【0039】

算出部４０３は、取得部４０１によって取得された学習データセット２０１の特徴量ベクトル２１２とテストサンプル２０４と設定入力部４０２で入力されたコスト計量とに基づいて、変更後の施策特徴量ベクトルを算出する。変更後の施策特徴量ベクトルは、介入可能特徴量群から選ばれた１以上の介入可能特徴量の値を示すベクトルである。変更後の施策特徴量ベクトルは、コスト計量に対応するコストを小さくするベクトルである。

【0040】

探索部４０４は、算出部４０３によって算出された変更後の施策特徴量ベクトルに基づいて、目的変数２１１を達成できる施策を探索する。目的変数２１１を達成できる施策とは、変更後の施策特徴量ベクトルを予測モデル２０３に入力した場合に、その予測結果が目標目的変数ｙ_ｔｈｒを超えると、変更後の施策特徴量ベクトルが目的変数２１１を達成できる施策となる。探索部４０４は、算出部４０３によって算出された変更後の施策特徴量ベクトルに基づいて、最もコストが低く、かつ目的変数２１１を達成できる施策を探索してもよい。

【0041】

出力部４０５は、探索部４０４によって探索された探索結果を表示可能に出力する。具体的には、たとえば、出力部４０５は、出力デバイス３０４の一例である施策提示装置２００のディスプレイに探索結果を表示したり、クライアント端末３０７のディスプレイに表示可能に探索結果を送信したりする。

【0042】

このように、施策提示装置２００は、取得部４０１において読み込まれた特徴量ベクトル、テストサンプル２０４および予測モデル２０３と、設定入力部４０２において入力されたコスト計量とに基づいて、変更後の施策特徴量ベクトルを算出し、最適な施策を探索して提示する。

【0043】

＜施策提示処理手順＞
図５は、施策提示装置２００による施策提示処理手順例を示すフローチャートである。施策提示装置２００は、取得部４０１により学習データセット２０１、テストサンプル２０４および予測モデル２０３を取得する（ステップＳ５０１）。つぎに、施策提示装置２００は、目標入力部４２１により、目標目的変数ｙ_ｔｈｒの設定を受け付ける（ステップＳ５０２）。そして、施策提示装置２００は、モード選択を受け付ける（ステップＳ５０３）。モードには、マニュアルモード、セミマニュアルモードおよびオートモードがある。

【0044】

マニュアルモードは、コスト計量をユーザが手動設定するモードである。セミマニュアルモードは、コスト計量の一部をユーザが手動設定するモードである。オートモードは、コスト計量を施策提示装置２００が自動設定するモードである。

【0045】

マニュアルモードが選択された場合（ステップＳ５０４：マニュアル）、施策提示装置２００は、施策特徴量およびコスト計量の設定を受け付ける（ステップＳ５０５）。

【0046】

セミマニュアルモードが選択された場合（ステップＳ５０４：セミマニュアル）、施策提示装置２００は、施策特徴量およびコスト計量に必要な情報（コスト情報）の設定を受け付ける（ステップＳ５０６）。

【0047】

オートモードが選択された場合（ステップＳ５０４：オート）、施策提示装置２００は、施策特徴量の設定を受け付ける（ステップＳ５０７）。

【0048】

ステップＳ５０５～Ｓ５０７のあと、施策提示装置２００は、算出部４０３により、変更後の施策特徴量ベクトルを算出する（ステップＳ５０８）。つぎに、施策提示装置２００は、探索部４０４により、変更後の施策特徴量ベクトルに基づいて施策を探索する（ステップＳ５０９）。最後に、施策提示装置２００は、出力部４０５により、探索結果を出力する。

【0049】

＜設定画面例１＞
図６は、施策提示装置２００による設定画面例１を示す説明図である。設定画面６００において、読込ボタン６０１は、取得部４０１が記憶デバイス３０２から学習データセット２０１、テストサンプル２０４および予測モデル２０３を読み込むためのボタンである。

【0050】

具体的には、たとえば、取得部４０１は、読込ボタン６０１の押下により、学習データセット２０１、テストサンプル２０４および予測モデル２０３を記憶デバイス３０２から読み込む（ステップＳ５０１）。

【0051】

目標値入力欄６０２は、目標目的変数ｙ_ｔｈｒを入力するための入力欄である。目標値入力欄に入力された値は、目標目的変数ｙ_ｔｈｒとして目標入力部４２１によって読み込まれる。

【0052】

モード選択プルダウン６０３は、マニュアルモード、セミマニュアルモードおよびオートのいずれかを選択するためのプルダウンである。図６では、マニュアルモードが選択された場合について説明する。セミマニュアルモードが選択された場合については図７で後述し、オートモードが選択された場合については図８で後述する。

【0053】

コスト計量情報設定領域６０４は、モード選択プルダウン６０３でマニュアルモードが選択された場合に、コスト計量情報を設定するための領域である。具体的には、たとえば、コスト計量情報設定領域６０４は、施策特徴量選択プルダウン６４１と、行列要素入力領域６４２と、設定ボタン６４３と、を有し、施策特徴量とコストを求めるためのコスト計量Ｇの行列要素とを、コスト計量情報として受け付ける。

【0054】

施策特徴量選択プルダウン６４１は、介入可能特徴量ｆｂおよびその種類数ｈ（ｈ≦ｄを満たす整数）を選択するためのユーザインタフェースである。選択された介入可能特徴量ｆｂが施策特徴量となる。図６では、従業員数、事業所数および株主数の３つ（ｈ＝３）の介入可能特徴量ｆｂが施策特徴量に選択された例を示している。コスト計量Ｇは、ｈ行ｈ列の行列である。

【0055】

行列要素入力領域６４２は、施策特徴量の列の要素の値の入力を受け付ける領域である。設定ボタン６４３は、押下により、施策特徴量選択プルダウン６４１によって選択された施策特徴量および行列要素入力領域６４２に入力された要素の値を読み込むためのユーザインタフェースである。

【0056】

実行ボタン６０５は、押下により、コスト計量Ｇを用いて算出部４０３および探索部４０４による処理の実行開始を受け付けるユーザインタフェースである。

【0057】

探索結果表示領域６０６は、探索部４０４による探索結果６６０と改善後の目的変数２６１とを表示する領域である。探索結果６６０は、施策特徴量ごとに、改善前の値（矢印の始端側）と改善後の値（矢印の終端側）とを含む。探索結果６６０は、図２に示した改善後の介入可能特徴量ベクトル２６２である。

【0058】

［コスト計量Ｇ］
ここで、コスト計量Ｇについて詳細に説明する。コスト計量Ｇは、下記式（１）に示すコストｃを定義するｈ×ｈ行列である。

【0059】

【数1】

【0060】

ベクトルｘ_ｏｒｇは変更前の施策特徴量を示すｈ次元ベクトル、ベクトルｘ_ａｃｔは変更後の施策特徴量を示すｈ次元ベクトルである。ｄｅｔ（Ｇ）は、コスト計量Ｇの行列式である。上記式（１）は、施策特徴量の差分ベクトル（ベクトルｘ_ａｃｔ－ベクトルｘ_ｏｒｇ）の各要素から重複を許して二つ取り出し、その積の和によってコストｃを定義する。この和をとるときに、すなわち、コストｃを計量する場合に、差分ベクトル（ベクトルｘ_ａｃｔ－ベクトルｘ_ｏｒｇ）における各差分の積の重みを指定するのがコスト計量Ｇである。

【0061】

算出部４０３は、式（１）により、コストｃが最小となるベクトルｘ_ａｃｔを算出する。算出部４０３は、コストｃが小さい順に所定順位までのベクトルｘ_ａｃｔ群を算出してもよく、コストｃがしきい値以下となるすべてのベクトルｘ_ａｃｔ群を算出してもよい。

【0062】

［探索処理］
つぎに、探索部４０４による探索処理について詳細に説明する。探索部４０４は、下記式（２）の損失関数Ｌを最小化する施策、具体的には、ベクトルｘ_ａｃｔを探索する。

【0063】

【数2】

【0064】

上記式（２）において、σはシグモイド関数、ａはシグモイド関数σの傾きを決めるパラメータであり、λはコストｃの重みを決めるパラメータであり、それぞれ任意に設定可能である。本例では、ａ＝１０００，λ＝０．１とする。改善後の目的変数ｙ_ａｃｔは、テストサンプル２０４の介入不可能特徴量ベクトル２２１と、施策特徴量がベクトルｘ_ｏｒｇからベクトルｘ_ａｃｔに置換された介入不可能特徴量ベクトル２２１と、が結合された特徴量ベクトルを予測モデル２０３に入力することにより算出される。なお、上記式（２）において、シグモイド関数σを線形関数やＲｅＬＵ関数またはＧｅＬＵ関数に置き換えてもよい。

【0065】

損失関数Ｌの右辺第１項は、目的変数ｙ_ａｃｔが目標目的変数ｙ_ｔｈｒを越える場合にＬ＝－１、超えない場合Ｌ＝０となる単調減少関数であり、目的変数ｙ_ａｃｔが目標目的変数ｙ_ｔｈｒを越えない場合にＬ＝１の損失を与えると解釈できる。

【0066】

損失関数Ｌの右辺第２項は、コストｃに比例する項である。右辺第１項および右辺第２項の和を最小化することにより、目的変数ｙ_ａｃｔが目標目的変数ｙ_ｔｈｒを越え、かつコストｃが小さい施策を示すベクトルｘ_ａｃｔが求まる。なお、右辺第２項は、省略してもよい。

【0067】

なお、探索部４０４は、損失関数Ｌが最も小さい施策ではなく、２番目以降に小さい施策を探索してもよい。ユーザは、いずれの施策を採用するかを選択することができる。たとえば、ユーザは、施策選択プルダウン６６１により、損失関数Ｌの小ささに応じた施策を選択することが可能である。これにより、探索部４０４は、施策選択プルダウン６６１の選択された施策を探索する。図６の例では、施策選択プルダウン６６１により、「２ｎｄ ｂｅｓｔ ａｃｔｉｏｎ」が選択されている。

【0068】

出力部４０５は、最終的に求まったベクトルｘ_ａｃｔの値（８９０，３６，３９０）と元々の施策特徴量を示すベクトルｘ_ｏｒｇの値（７８０，２５，４２０）とを、探索結果６６０として、探索結果表示領域６０６に表示可能に出力する。図６の例では、施策選択プルダウン６６１により、「２ｎｄ ｂｅｓｔ ａｃｔｉｏｎ」が選択されているため、損失関数Ｌの値が２番目に小さい施策が探索され、探索結果６６０として表示される。

【0069】

＜設定画面例２＞
図７は、施策提示装置２００による設定画面例２を示す説明図である。図７は、モード選択プルダウン６０３において、セミマニュアルモードが選択された場合の設定画面例である。セミマニュアルモードが選択された場合、コスト計量情報設定領域６０４には、施策特徴量選択プルダウン６４１と、コスト情報入力領域７０１と、施策特徴量ペア入力領域７０２と、設定ボタン６４３と、が表示される。

【0070】

設定画面７００において、コスト情報入力領域７０１は、コスト情報の入力を受け付けるユーザインタフェースである。コスト情報とは、施策特徴量を単独で動かすときに必要となる重みである。具体的には、たとえば、「従業員数」を１名増やすのにかかる重みが１、事業所数を一つ増やすのにかかる重みが１０（単位は一千万円）であれば、コスト情報入力領域７０１にはそれぞれ「１」と「１０」とがコスト情報として入力される。

【0071】

また、コスト情報は、コスト計量Ｇの対角成分に設定される。すなわち、図６に示したマニュアルモードでは、コスト計量Ｇの全行列要素の入力が可能であったが、セミマニュアルモードでは、コスト計量Ｇの対角成分のみ入力可能である。

【0072】

施策特徴量ペア入力領域７０２は、施策特徴量ペアの入力を受け付ける領域である。具体的には、たとえば、施策特徴量ペア入力領域７０２は、同一方向施策特徴量ペア入力領域７２１と、反対方向施策特徴量ペア入力領域７２２と、を有する。

【0073】

同一方向施策特徴量ペア入力領域７２１は、同一方向の施策特徴量ペアの入力を受け付ける領域である。同一方向の施策特徴量ペアとは、負の相関を示す施策特徴量ペア、すなわち、施策特徴量ペアである２つの施策特徴量の一方を増加したときに他方を増加するのが困難であるとユーザが判断した施策特徴量ペアである。たとえば、「事業所」を増やしたときに「従業員数」を増やすことが難しい場合、ユーザは、同一方向施策特徴量ペア入力領域７２１に同一方向施策特徴量ペアとして、（従業員数，事業所数）を入力すればよい。

【0074】

反対方向施策特徴量ペア入力領域７２２は、正の相関を示す施策特徴量ペア、すなわち、反対方向の施策特徴量ペアの入力を受け付ける領域である。反対方向の施策特徴量ペアとは、施策特徴量ペアである２つの施策特徴量の一方を増加したときに他方を減少するのが困難であるとユーザが判断した施策特徴量ペアである。たとえば、「事業所」を増やしたときに「従業員数」を減らすことは難しい場合、ユーザは、反対方向施策特徴量ペア入力領域７２２に反対方向施策特徴量ペアとして、（従業員数，事業所数）を入力すればよい。

【0075】

上記のような制限が特にない場合、ユーザは、施策特徴量ペア入力領域７０２に何も入力する必要はない。

【0076】

図７に示したように、施策特徴量として、「従業員数」および「事業所数」を選択し、各施策特徴量のコスト情報入力領域７０１にはそれぞれ「１」と「１０」を入力し、反対方向施策特徴量ペア入力領域７２２に（従業員数，事業所数）を入力し、同一方向施策特徴量ペア入力領域７２１には何も入力しない場合、コスト計量Ｇは以下のように計算される。

【0077】

まず、コスト計量Ｇ_ｏｒｔは、下記式（３）で表現される。

【0078】

【数3】

【0079】

コスト計量Ｇ_ｏｒｔの対角成分にコスト情報入力領域７０１に入力されたコスト情報が設定され、非対角成分に０が設定される。

【0080】

算出部４０３は、コスト計量Ｇ_ｏｒｔを用いて上記式（１）のコストｃを計算すると、コストｃは、施策特徴量「従業員数」の施策前後の値の差の二乗と、施策特徴量「事業所数」の施策前後の値の差の二乗に１０をかけた値と、の和となる。したがって、施策特徴量「事業所数」を変えるには、施策特徴量「従業員数」を変える１０倍のコストｃが課されることを意味する。このとき、コストｃは「従業員数」および「事業所数」の施策前後の値の差をそれぞれ横軸と縦軸にとった二次元平面における、長径：短径＝√１０：１の楕円の長径の二乗と短径の二乗の和に比例する。

【0081】

そして、算出部４０３は、下記式（４）に示すように、コスト計量Ｇ_ｏｒｔを回転行列を用いて回転させて、コスト計量Ｇを算出する。

【0082】

【数4】

【0083】

上記式（４）は、長径：短径＝√１０：１の楕円を、横軸方向にα倍に引き伸ばし、さらに－θ度回転させることに対応する。ここで、パラメータα＝１．５、θ＝４５°とする。これにより、楕円は－４５度方向と１３５度方向に引き伸ばされた形に変形する。コストｃ、つまりこの楕円の長径と短径の二乗和は、「従業員数」および「事業所数」の施策前後の値の差がそれぞれ正の値と負の値、または、負の値と正の値となるとき、大きくなることを意味する。

【0084】

一方、同一方向施策特徴量ペア入力領域７２１に（従業員数，事業所数）を入力し、反対方向施策特徴量ペア入力領域７２２には何も入力しない場合、つまり「従業員数」が増えるときに「事業所数」が増える、または「従業員数」が減るときに「事業所数」が減るような施策にペナルティを課したい場合は、上記式（４）におけるθを－θに置き換えればよい。

【0085】

このとき、楕円は４５度方向と２２５度方向に引き伸ばされた形をとり、「従業員数」および「事業所数」の施策前後の値の差がそれぞれ正の値と正の値、または、負の値と負の値となるとき（すなわち、同一符号となるとき）、コストｃは大きくなる。

【0086】

なお、３次元以上の施策特徴量とコスト計量Ｇを考えるときは、２次元と場合と同様に対角成分にコスト情報入力領域７０１にコスト情報を入力し、施策特徴量ペア入力領域７０２に入力された施策特徴量ペアについて、それぞれ上記式（４）と同様の操作を行えばよい。

【0087】

このようにして求められたコスト計量Ｇを用いて、算出部４０３は、図６の設定画面例１で説明した場合と同様、上記式（１）により、コストｃが最小となるベクトルｘ_ａｃｔを算出し、探索部４０４は、ベクトルｘ_ａｃｔを用いて上記式（２）の損失関数Ｌを最小化する施策を探索することになる。

【0088】

＜設定画面例３＞
図８は、施策提示装置２００による設定画面例３を示す説明図である。図８は、モード選択プルダウン６０３において、オートモードが選択された場合の設定画面例である。オートモードが選択された場合、設定画面８００のコスト計量情報設定領域６０４には、施策特徴量選択プルダウン６４１と、設定ボタン６４３と、が表示される。また、オートモードでは、ユーザから指定がない限り、すべての介入可能特徴量ｆｂが施策特徴量となる。

【0089】

オートモードが選択されているため、施策提示装置２００は、施策特徴量指定部４２２およびコスト情報入力部４２３により、セミマニュアルモードにおいてステップ５０６で設定される情報を、学習データセット２０１内の介入可能特徴量間の相関関係に基づいて自動的に決定する。具体的には、たとえば、オートモードでは、施策特徴量指定部４２２は、総当たりで２つの施策特徴量間の相関係数を算出し、正の相関を示す介入可能特徴量ペアを、反対方向施策特徴量ペアに設定し、負の相関を示す介入可能特徴量ペアを、同一方向施策特徴量ペアに設定する。

【0090】

たとえば、介入可能特徴量ｆｂが「従業員数」、「事業所数」および「株主数」の三つであるとする。これらの介入可能特徴量ｆｂの分散がそれぞれ、「７２」，「４．７」，「１８」で、「従業員数」および「事業所数」の相関が正に大きく、他の介入可能特徴量ペアの相関はすべて負であるとき、コスト情報入力部４２３は、有効数字３桁で下記式（５）のようにコスト軽量Ｇを設定する。

【0091】

【数5】

【0092】

なお、０以上で１よりも小さい正のしきい値および－１よりも大きく０よりも小さい負のしきい値を設けてもよい。この場合、施策提示装置２００は、相関係数が正のしきい値以上となる介入可能特徴量ペアについては、反対方向施策特徴量ペアに設定し、相関係数が負のしきい値以下となる介入可能特徴量ペアについては、同一方向施策特徴量ペアに設定してもよい。

【0093】

そして、算出部４０３は、コスト計量Ｇに基づいて、上記式（１）により、ベクトルｘ_ａｃｔを算出することになる。

【0094】

このように、実施例１によれば、設定画面６００，７００，８００において施策特徴量とそのコスト計量の情報を入力することにより、施策提示装置２００は、企業の売上を目標値まで上げるためにはデータのどの施策特徴量をどのように変化させればよいかという施策を提示することが可能となる。

【実施例0095】

実施例２では、実施例１の施策提示装置２００が、ボストン住宅価格データから、住宅価格を予測する機械学習モデルを作成し、住宅価格を目標値まで上げるためにはどのような施策が必要かを提示する例を説明する。ボストン住宅価格データでは、住宅のある地域の犯罪率や高速道路へのアクセスの良好さなどの地域情報や、住宅の平均部屋数や固定資産税額などの住宅そのもののデータからなるデータセットである。本実施例に基づく施策提示装置２００の出力する施策により、住宅の不動産価値を上げるにはどうすればよいかを明らかにすることが可能となる。

【0096】

ボストン住宅価格データを用いて施策提示装置２００の動作確認を行った結果について説明する。ボストン住宅価格データは、Ｎ＝５０６サンプル、Ｄ＝１３次元の特徴量群、住宅価格（１，０００ドル単位）を目的変数とする学習データセット２０１である。

【0097】

住宅価格を予測する予測モデル２０３として、特許文献２に記載の予測モデル２０３を使用した。その精度は決定係数Ｒ２＝０．８３０であった。なお、特許文献２に記載の予測モデル２０３ではなく、他の任意の機械学習モデルを使用してもよい。たとえば、線形か回帰モデルや、ランダムフォレストモデル、多層パーセプトロンモデルなどを使用してもよい。

【0098】

ボストン住宅価格データの介入可能特徴量のうち、平均部屋数ＲＭ、高速道路へのアクセス指数ＲＡＤ、固定資産税ＴＡＸを施策特徴量として採用する。高速道路へのアクセス指数ＲＡＤは大きいほどアクセスがよいことを示す１～２４の自然数の変数である。また、施策を提案するテストサンプル２０４は、住宅価格を「２７．５」、平均部屋数ＲＭ＝６．７２７、高速道路へのアクセス指数ＲＡＤ＝５、固定資産税ＴＡＸ＝３８４の住宅とする。このテストサンプル２０４の施策特徴量を変化させることによって、目標目的変数である住宅価格３２．５を達成させることを考える。

【0099】

以下、実施例１におけるマニュアルモード、セミマニュアルモードの手順に沿って、各モードにおけるデータ入力例と、その探索結果を示す。ここで、上記式（１）～（５）において使用した各パラメータの値は実施例１と同じ値とし、上記式（１）～（５）における施策特徴量に対応するデータとして、元々の施策特徴量の値ではなく、平均０および分散１に正規化された値を用いることとする。

【0100】

＜マニュアルモード＞
下記式（６）のように、コスト計量Ｇ１、Ｇ２が入力された場合を考える。

【0101】

【数6】

【0102】

コスト計量Ｇ１は、すべての施策特徴量の変化にかかるコスト情報を同一（対角成分がすべて１）としている一方、コスト計量Ｇ２は、平均部屋数ＲＭの変化にかかるコスト情報に比べて、高速道路へのアクセス指数ＲＡＤと固定資産税ＴＡＸのそれぞれのコスト情報は各々二倍と半分であると仮定していることを意味する。

【0103】

コスト計量Ｇ１を用いた結果、最善（最も損失関数Ｌが小さい）の施策特徴量の値は（ＲＭ＝７．５９４，ＲＡＤ＝６，ＴＡＸ＝３２３．２）であり、このときの目的変数である住宅価格の予測値は３２．６０であった。

【0104】

コスト計量Ｇ２を用いた結果、最善の施策特徴量の値は（ＲＭ＝７．６０９，ＲＡＤ＝５，ＴＡＸ＝３１１．９）であり、このときの目的変数である住宅価格の予測値は３２．８０であった。

【0105】

図９は、テストサンプル２０４とマニュアルモードにおける探索結果とを比較した図表である。コスト計量Ｇ１，Ｇ２を用いた場合の探索結果を比べると、以下のことがわかる。まず、両方とも住宅価格が目標目的変数の値３２．５は越えており、かつ、最善の施策特徴量（ＲＭ，ＲＡＤ，ＴＡＸ）の値は、テストサンプル２０４の施策特徴量の値（６．７２７，５，３８４）から著しく乖離しておらず、コストｃを最小化した上で目標を達成しようとしていることがわかる。

【0106】

また、コスト計量Ｇ１，Ｇ２に対する最善の施策特徴量（ＲＭ，ＲＡＤ，ＴＡＸ）の値を比べると、平均部屋数ＲＭはほぼ同じである一方で、高速道路へのアクセス指数ＲＡＤはコスト計量Ｇ１では、テストサンプル２０４の施策特徴量の値「５」から１増えているが、コスト計量Ｇ２では、テストサンプル２０４の施策特徴量の値「５」と同じ値をとる。

【0107】

また、コスト計量Ｇ２の固定資産税ＴＡＸの値「３１１．９」とテストサンプル２０４の施策特徴量の値「３８４」との差は、コスト計量Ｇ１の固定資産税ＴＡＸの値「３２３．２」とテストサンプル２０４の施策特徴量の値「３８４」との差よりも大きい。つまり、コスト計量Ｇ１よりもコスト計量Ｇ２に対する仮定を正しく反映してコストｃが計算されていることがわかる。

【0108】

＜セミマニュアルモード＞
コスト情報入力領域７０１において、平均部屋数ＲＭ、高速道路へのアクセス指数ＲＡＤ、および固定資産税ＴＡＸにすべて「１」、同一方向施策特徴量ペア入力領域７２１に（ＲＭ，ＲＡＤ）、反対方向施策特徴量ペア入力領域７２２に（ＲＭ，ＴＡＸ）が入力されたと仮定する。このとき、最善の施策特徴量の値は、ＲＭ＝７．７３，ＲＡＤ＝３，ＴＡＸ＝４１０，目的変数である住宅価格の予測値は３２．７であった。

【0109】

図１０は、テストサンプル２０４とセミマニュアルモードにおける探索結果とを比較した図表である。つまり、テストサンプル２０４と比べて、ＲＭは大きく、ＲＡＤは小さく、ＴＡＸは大きくなっている。これは、同一方向施策特徴量ペア入力領域７２１および反対方向施策特徴量ペア入力領域７２２において、平均部屋数ＲＭと高速道路へのアクセス指数ＲＡＤの両方が大きくまたは小さくなること、平均部屋数ＲＭと固定資産税ＴＡＸの一方が大きく、他方が小さくなることに対してコスト情報を課す入力を正しく反映した結果であることがわかる。

【0110】

同一方向施策特徴量ペア入力領域７２１および反対方向施策特徴量ペア入力領域７２２が空欄であった場合、マニュアルモードにおけるコスト計量Ｇ１の探索結果と同一になるが、同一方向施策特徴量ペア入力領域７２１および反対方向施策特徴量ペア入力領域７２２に入力することにより、コスト計量Ｇ１の探索結果とは全く異なる結果が得られることがわかる。