Japon Refus de rendez-vous à la conférence académique AI-Vers la création d'une réponse élégante-

Omission, bureaucrates

Le refus de nommer l'Académie japonaise des sciences est un problème, Comment allez-vous avec les bureaucrates?

Concernant la raison du refus de la nomination du Premier ministre Kan

―― "Vue d'ensemble complète" ―― "Jugement avec diversité à l'esprit"

La réponse est que j'ai progressivement ajouté un sens du concret.

―― "L'affiliation à une université privée est également rejetée"

Dès que la contradiction est signalée en quelques secondes ...

Cependant, j'ai déjà refusé ~~ après avoir pris une décision ~~ Je ne peux pas demander au premier ministre pourquoi. Un excellent subordonné est celui qui comprend l'intention du supérieur. [^ 1]

L'apprentissage automatique pour démêler les connaissances du Premier ministre

D'autre part, essayer de trouver l'intention (logique) à partir de la liste de recommandations Il est difficile de trouver des fonctionnalités significatives même si la tabulation Excel est effectuée sur différents axes ...

Dans un tel cas, laissons cela à "AI". Grâce à l'apprentissage de la «prédiction de refus de rendez-vous» par l'IA, nous découvrirons les règles. [^ 2] Picture_kaigi.png

Données / fonctionnalités / modèle

Nom (titre omis) Domaine spécialisé
Ashina Sadamichi philosophie
Shigenori Uno Science politique / philosophie
Okada Masanori Loi
Ryuichi Ozawa Loi
Yoko Kato Histoire
Takaaki Matsumiya Loi

―― ~~ Je n'ai même pas vu la liste ~~ J'aurais dû lire la liste recommandée, mais en supposant que tous les membres actuels ne l'ont pas vue, j'ai ciblé les 105 personnes recommandées cette fois.


def add_kw_col(df, target, kw):
    """
    @param {DataFrame}df Trame de données d'origine
    @param {string}target kw Nom de colonne pour déterminer si elle contient une chaîne
    @param {string}kw La ligne incluse est 1,0 si non inclus
    """

    col = "{}in{}".format(kw, target)
    df[col] = 0
    df.loc[df[target].str.contains(kw), col] = 1

    return(df)

#Par exemple, l'ancien jugement de l'université impériale sur l'affiliation et le nom du poste
#Ajoutez une colonne intitulée "○○ Université dans l'affiliation / Nom du poste", 1/Drapeau 0
teidai = ["Université de Tokyo", "Université de Kyoto", "Université d'Osaka", "Université Tohoku", "Université de Nagoya", "Université de Hokkaido", "Université de Kyushu"]
for kw in teidai:
    df_all = add_kw_col(df_all, target="Affiliation / Titre du poste", kw=kw)
from sklearn import tree

max_d = 6
clf = tree.DecisionTreeClassifier(criterion='gini',
                                  splitter='best', 
                                  max_depth=max_d, 
                                  min_samples_split=2,
                                  min_samples_leaf=1, 
                                  min_weight_fraction_leaf=0.0,
                                  max_features=None, random_state=None,
                                  max_leaf_nodes=None, class_weight=None, presort=False)
clf = clf.fit(X, y)

Résultats / Discussion

L'arbre déterminé construit est le suivant. dt_kaigi.png

Mis à part les petits nombres, lorsqu'ils sont transcrits en lettres ... [^ 6]

  1. Si vous êtes spécialisé en droit et appartenez à l'Université de Ritsumeikan, ** refusez! ** **
  2. Si vous avez 61 ans ou plus et appartenez à l'Université Waseda, spécialisée en droit et non en études environnementales, ** refusez! ** **
  3. Si vous êtes spécialisé en droit et que vous avez 61 ans ou moins, ** rejetez! ** **
  4. Si vous êtes spécialisé en philosophie et que vous avez moins de 56 ans, ** rejetez! ** **
  5. Si vous vous spécialisez en histoire et appartenez à l'Université de Tokyo, ** refusez! ** **
  6. Si vous vous spécialisez en philosophie et avez plus de 63 ans, vous pouvez en quelque sorte refuser

Il semble que «vieil empereur», «plus jeune» et «privé» n'ont rien à voir l'un avec l'autre.

** Je n'ai pas compris la raison du refus, même pour "AI" ** dans 6. Le professeur Ashina, qui se serait vu refuser sa nomination, et le professeur Yoshioka, qui est actuellement membre, Appartenant à la même université de Kyoto, 64 ans, spécialisée en philosophie, Cette analyse n'a pas révélé la raison du refus.

Cela signifie que la quantité de fonctionnalités est insuffisante ... Au moment de la décision, il semble que le premier ministre ait obtenu des informations autres que la liste de quelque part ~~.

en conclusion

[^ 1]: Je ne sais pas si les bureaucrates ont écrit la réponse. [^ 2]: Ce n'est pas vraiment bien de faire ça dans un vrai PRJ. Considérons la prédiction et le raisonnement causal séparément. Le client veut faire une inférence causale du milieu, mais rejetons-la avec élégance.

Recommended Posts

Japon Refus de rendez-vous à la conférence académique AI-Vers la création d'une réponse élégante-
Organiser des blogs utiles dans le domaine de la science des données (outre-mer et Japon)