机器学习装置以及机器学习方法与流程

本发明涉及机器学习装置以及机器学习方法。

背景技术：

专利文献1公开了使用机器学习，进行与生产设备的状态的优劣或者生产对象物的状态的优劣相关的预测的技术。而且近几年，在用于机器学习装置的预测的学习模型中，作为选择用于说明特定的目标变量的说明变量的方法，稀疏建模备受瞩目。

专利文献1：日本特开2017-151962号公报

作为稀疏建模方法的种类公知有套索回归算法(lasso)、逐步回归算法(stepwise)等。关于这一点，在使用不同的稀疏建模方法从多个说明变量候选中选择说明变量的情况下，有时即使说明变量候选亦即输入数据相同，但各个稀疏建模方法选择作为说明变量的数据也不一致。也就是说，存在如下顾虑：使用一个稀疏建模方法选择的说明变量作为说明变量未必适合，在该一个稀疏建模方法中，作为输入数据使用的说明变量候选中所含的重要的说明变量未被选择。

技术实现要素：

本发明的目的在于提供一种从学习模型中的特定的目标变量和多个说明变量候选中可靠地选择适合的说明变量的机器学习装置以及机器学习方法。

机器学习装置具备：稀疏建模处理部，使用相互不同的稀疏建模方法，将在工业活动中使用的学习模型中的特定的目标变量和多个说明变量候选作为上述稀疏建模方法的输入数据，针对上述多个说明变量候选的每一个，分别获取作为用于说明上述特定的目标变量的说明变量的个别重要度；以及选择部，基于上述说明变量候选各自的多个上述个别重要度来计算上述说明变量候选各自的综合重要度，基于上述综合重要度从上述多个说明变量候选中选择上述学习模型的说明变量。

根据该机器学习装置，选择部基于稀疏建模处理部获取的个别重要度来计算每个多个说明变量候选的综合重要度，基于该综合重要度，从多个说明变量候选中选择适合的说明变量候选，作为说明变量。因此，机器学习装置能够可靠地选择适合的说明变量。

机器学习方法具备：多个稀疏建模处理工序，使用相互不同的稀疏建模方法，将在工业活动中使用的学习模型中的特定的目标变量和多个说明变量候选作为上述稀疏建模方法的输入数据，针对上述多个说明变量候选的各个，分别获取个别重要度来作为用于说明上述特定的目标变量的说明变量；以及选择工序，基于上述说明变量候选各自的多个上述个别重要度来计算上述说明变量候选各自的综合重要度，基于上述综合重要度从上述多个说明变量候选中选择上述学习模型的说明变量。该机器学习方法实现与上述机器学习装置相同的效果。

附图说明

图1是表示品质预测系统的构成的图。

图2是表示成型机(注塑成型机)的图。

图3是表示机器学习装置的构成的图。

图4是表示选择数据决定装置的构成的图。

图5是表示模型生成装置以及预测装置的构成的图。

图6是表示通过选择数据决定装置执行的选择数据决定步骤的流程图。

图7是表示在第一例的调整工序中调整部计算出的调整完毕个别重要度的表。

图8是表示在第一例的选择工序中选择部计算出的综合重要度的表。

图9是表示在第二例的调整工序中调整部计算出的调整完毕个别重要度的表。

图10是表示在第二例的选择工序中选择部计算出的综合重要度的表。

图11是表示在第三例的调整工序中调整部计算出的调整完毕个别重要度的表。

图12是表示在第三例的选择工序中选择部计算出的综合重要度的表。

附图标记的说明

1：成型机(处理装置的一个例子)，6：动作指令部，6a：动作指令数据调整部，7：控制部，130：管理装置，200：机器学习装置，213：稀疏建模处理部，214：调整部，215：选择部，224：学习模型生成部，231：学习模型存储部，234：预测部，s2：稀疏建模处理工序，s3：第一调整工序(调整工序的一部分)，s4：第二调整工序(调整工序的一部分)，s5：第一选择工序(选择工序的一部分)，s6：第二选择工序(选择工序的一部分)。

具体实施方式

(1.机器学习装置的概要)

机器学习装置从多个说明变量候选中选择在工业活动使用的学习模型中的用于说明特定的目标变量的说明变量。此时，机器学习装置基于针对每个说明变量候选计算出的综合重要度，选择说明变量。综合重要度基于赋予给每个说明变量候选的个别重要度而计算。个别重要度是通过进行使用稀疏建模方法的处理而得到的值。

机器学习装置基于使用相互不同的多个稀疏建模方法的处理而得到的个别重要度，计算多个说明变量候选各自的综合重要度。而且，机器学习装置基于该综合重要度，从多个说明变量候选中选择适合作为说明变量的说明变量候选。由此，机器学习装置能够从多个说明变量候选中可靠地选择适合的说明变量。其结果是，机器学习装置进行将所选择的说明变量与目标变量作为学习数据的机器学习，由此能够生成学习模型。另外，机器学习装置在基于该说明变量以及该学习模型进行规定的预测的情况下，能够提高该预测的精度。

(2.机器学习装置的适用对象)

机器学习装置被设置于进行规定的处理的处理装置，或者对多个处理装置进行统一管理的管理装置。而且，机器学习装置基于说明变量以及学习模型来进行规定的预测。在本实施方式中，处理装置是成型机，管理装置对多个成型机进行统一管理。而且，机器学习装置基于从成型机获得的各种数据，预测成型机的异常检测、成型机的动作条件的最优化或者成型机的处理结果(例如成型品的品质要素)。此外，作为成型机以外的处理装置例示了磨床等工作机械。

(3.品质预测系统100的概要)

最初，参照图1对作为将机器学习装置具体化的实施方式的一个例子的品质预测系统100的概要进行说明。如图1所示，品质预测系统100主要具备：多个成型机1、输入部110、服务器120以及管理装置130。

成型机1将加热熔融后的材料(以下称为“熔融材料”)向成型机1的模具4的空腔c供给由此对成型品进行成型。在本实施方式中，以成型机1是进行树脂或者橡胶等的注塑成型的注塑成型机的情况为例进行了说明，但成型机1也可以是注塑成型机以外的成型机，例如可以是吹塑成型机、压缩成型机，也可以是进行压铸等金属铸造的铸造机。

向输入部110输入与成型机1成型的成型品的品质要素相关的数据(以下称为“品质要素数据”)。向输入部110例如输入通过设置于成型机1的外部的各种测定装置测定出的与成型品的尺寸、形状等相关的测定结果等，作为成型品的品质要素。

服务器120被设置为能够与多个成型机1以及输入部110通信。服务器120收集向输入部110输入的成型品的品质要素数据，以及在成型机1成型该成型品时得到的成型时数据。

管理装置130统一管理被设置于品质预测系统100的多个成型机1。而且，管理装置130具备被设置为能够经由服务器120与成型机1以及输入部110进行通信的机器学习装置200。机器学习装置200获取服务器120收集的品质要素数据以及成型时数据。而且，机器学习装置200进行将成型时数据以及品质要素数据作为学习数据的机器学习，由此生成与成型时数据及成型品的品质要素相关的学习模型。此外，在本实施方式中，虽然以机器学习是有监督学习的情况为例进行了说明，但也能够应用其它机器学习算法。

另外，机器学习装置200将成型机1对成型品进行成型时所获取的成型时数据作为学习模型的说明变量，基于该说明变量以及上述学习模型，来预测该成型品的品质要素。

除此之外，机器学习装置200将能够从成型机1获取的多个成型时数据作为说明变量候选，从该多个说明变量候选中选择适合的说明变量。即，机器学习装置200从作为能够获取的许多说明变量的成型时数据中，选择成为目标变量的与成型品的品质要素的相关性较高的规定数量的成型时数据，将选择的规定数量的成型时数据用作学习模型的说明变量。

由此，品质预测系统100的使用者例如能够基于成型品的品质要素的预测结果来实现成型机1的动作条件的最优化，或实现可对作为说明变量使用的成型时数据造成影响的动作条件的最优化。

即、机器学习装置200提取与想要预测的成型品的特定的品质要素相关性高的成型时数据，基于已提取的成型时数据来预测该品质要素。因此，使用者在为了提高成型品的品质要素的目的而进行动作条件的最优化的情况下，只要调整动作条件使得与该品质要素相关性高的成型时数据成为良好即可。其结果是，机器学习装置200的使用者可以从能够调整的多个动作条件中缩小为了提高成型品的特定的品质要素而应该调整的动作条件，所以能够缩短动作条件的最优化所需的时间。

(3.成型机1的例子)

(3-1：成型机1的构成)

接下来，参照图2对作为成型机1的一个例子的注塑成型机进行说明。作为注塑成型机的成型机1主要具备底座2、注射装置3、模具4、合模装置5、动作指令部6以及控制部7。

注射装置3被配置于底座2上。注射装置3主要具备料斗31、加热缸32、螺杆33、喷嘴34、加热器35、驱动装置36以及注射装置用传感器37。

料斗31是粒料(粒状的成型材料)的投入口。加热缸32加压熔融材料，该熔融材料通过使被投入到料斗31的粒料加热熔融后而得到。另外，加热缸32被设置为能够相对于底座2沿轴向移动。螺杆33被配置于加热缸32的内部，被设置为能够旋转且能够沿轴向移动。喷嘴34是被设置于加热缸32的前端的注射口，通过螺杆33的轴向移动，将加热缸32的内部的熔融材料向模具4供给。

加热器35例如被设置于加热缸32的外侧，对加热缸32的内部的粒料进行加热。驱动装置36进行加热缸32的沿轴向的移动、螺杆33的旋转以及轴向移动等。注射装置用传感器37为获取熔融材料的存积量、保持压力、保压时间、注射速度、熔融材料的粘度、驱动装置36的状态等成型时数据的传感器的总称。但是，该传感器37并不限于上述内容，也可以获取各种成型时数据。

模具4是具备作为固定侧的第一模具4a、和作为可动侧的第二模具4b的金属模。模具4通过使第一模具4a与第二模具4b合模而在第一模具4a与第二模具4b之间形成空腔c。第一模具4a具备将从喷嘴34供给的熔融材料引导至空腔c的供给路4c(直浇口、流道、浇口)。并且，第一模具4a或者第二模具4b设置有用于获取模具4的温度等的各种传感器。

合模装置5在底座2上与注射装置3对置配置。合模装置5进行安装后的模具4的开闭动作，并且在将模具4紧固的状态下，不使模具4因向空腔c注射的熔融材料的压力而被打开。

合模装置5具备固定盘51、可动盘52、连杆53、驱动装置54、合模装置用传感器55。第一模具4a被固定在固定盘51。固定盘51能够与注射装置3的喷嘴34抵接，将从喷嘴34射出的熔融材料向模具4引导。第二模具4b被固定于可动盘52。可动盘52能够相对于固定盘51接近以及分离。连杆53支承可动盘52的移动。驱动装置54例如由气缸装置构成，使可动盘52移动。合模装置用传感器55是获取合模力、金属模温度、驱动装置54的状态等成型时数据的传感器的总称。

动作指令部6向控制部7发送与成型条件相关的动作指令数据。另外，成型机1具备基于机器学习装置200的品质要素的预测结果，来调整被存储于动作指令部6的动作指令数据的动作指令数据调整部6a。动作指令部6将通过动作指令数据调整部6a调整的动作指令数据赋予给控制部7，所以成型机1能够实现动作指令数据的最优化，并且能够提高成型的成型品的品质。

控制部7基于来自动作指令部6的动作指令数据，控制注射装置3的驱动装置36以及合模装置5的驱动装置54。例如控制部7以从注射装置用传感器37以及合模装置用传感器55获取各种信息，进行与动作指令数据对应的动作的方式，控制注射装置3的驱动装置36以及合模装置5的驱动装置54。

(3-2：成型机1的成型品的成型方法)

接着，对作为注塑成型机的成型机1的成型品的成型方法进行说明。在成型机1的成型方法中，依次执行计量工序、合模工序、注射填充工序、保压工序、冷却工序、脱模取出工序。在计量工序中，成型机1通过加热器35的加热以及伴随着螺杆33的旋转的剪切摩擦热使粒料熔融，并且将熔融材料存积在加热缸32的前端与喷嘴34之间。此时，螺杆33伴随着熔融材料的存积量的增加而后退，所以根据螺杆33的后退位置来进行熔融材料的存积量的计量。

在与计量工序接续的合模工序中，成型机1使可动盘52移动，将第二模具4b与第一模具4a对准，进行合模。并且，成型机1使加热缸32沿轴向移动而与合模装置5接近，使喷嘴34与合模装置5的固定盘51连接。在接着的注射填充工序中，成型机1在使螺杆33的旋转停止的状态下，以规定的压入力使螺杆33朝向喷嘴34移动，由此以较高的压力将熔融材料向模具4注射填充。若熔融材料被填充到空腔c，则成型机1移至保压工序。

在保压工序中，成型机1在熔融材料被填充到空腔c的状态下进一步将熔融材料向空腔c压入，进行以规定时间对空腔c内的熔融材料施加规定的压力(保持压力)的保压处理。具体地说，成型机1通过对螺杆33施加恒定的压入力而对熔融材料施加规定的保持压力。

然后，成型机1在进行了规定时间的保压处理后，移至冷却工序。在冷却工序中，成型机1进行停止熔融材料的压入而使保持压力减少的处理，并且使空腔c内的熔融材料冷却。最后，成型机1在脱模取出工序中进行开模，取出成型品。

(4.机器学习装置200的构成)

接下来，参照图3对机器学习装置200的构成进行说明。如图3所示，机器学习装置200主要具备选择数据决定装置210、模型生成装置220以及预测装置230。

在预测装置230中预测基于学习模型的成型品的特定的品质要素时，选择数据决定装置210决定向学习模型输入的成型时数据。具体地说，选择数据决定装置210从能够从成型机1获取的多个成型时数据亦即说明变量候选中，决定用于说明与成型品相关的特定的品质要素亦即目标变量的说明变量。

模型生成装置220进行将由选择数据决定装置210决定的成型时数据、以及向输入部110输入的品质要素数据作为学习数据的机器学习，生成与成型时数据和品质要素数据相关的学习模型。预测装置230基于由选择数据决定装置210决定的成型时数据、和由模型生成装置220生成的学习模型，预测新成型的成型品的品质要素。

(4-1.选择数据决定装置210)

接着，对选择数据决定装置210的构成进行说明。如图4所示，选择数据决定装置210主要具备收集数据获取部211、收集数据存储部212、稀疏建模处理部213、调整部214以及选择部215。

收集数据获取部211获取服务器120收集的品质要素数据以及成型时数据，并将其存储于收集数据存储部212。在品质预测系统100中，服务器120收集向被设置为能够通信的输入部110输入的测定结果来作为品质要素数据。另外，设置于成型机1的各种传感器被设置为能够与服务器120通信，服务器120收集各种传感器的检测结果来作为成型时数据。

稀疏建模处理部213使用稀疏建模方法，针对多个说明变量候选的各个，获取作为用于说明目标变量的说明变量的个别重要度。稀疏建模处理部213具备第一处理部213a、第二处理部213b、第三处理部213c以及第四处理部213d。第一处理部213a、第二处理部213b、第三处理部213c以及第四处理部213d的各个(以下称为“各处理部”)将目标变量和多个说明变量候选作为稀疏建模方法的输入数据，分别获取多个说明变量候选的每个的个别重要度。

这里，个别重要度是通过稀疏建模方法导出的值，表示特定的目标变量和多个说明变量候选中的每一个的关系的强弱。即、个别重要度较高的说明变量候选与特定的目标变量的相关性较高，表示作为用于说明该目标变量的说明变量是适合的。

另外，各处理部使用分别不同的稀疏建模方法。在本实施方式中，在第一处理部213a中，作为稀疏建模方法使用逐步回归算法(stepwise)，在第二处理部213b中，作为稀疏建模方法使用套索回归算法(lasso)。另外，在第三处理部213c中，作为稀疏建模方法使用弹性网络回归算法(elasticnet)，在第四处理部213d中，作为稀疏建模方法，使用图套索回归算法(graphicallasso)。此外，稀疏建模处理部213作为在各处理部中使用的稀疏建模方法，也可以使用其它稀疏建模方法。

调整部214针对稀疏建模处理部213的各处理部获取的个别重要度，计算调整完毕个别重要度。关于该调整完毕个别重要度，如上所述，各处理部所使用的稀疏建模方法不同。因此，例如即使第一处理部213a获取的贡献度与第二处理部213b获取的贡献度是相同的值，有时也不应该将第一处理部213a的个别重要度与第二处理部213b的个别重要度视为相同。

作为与这一点相关的具体例，第一处理部213a获取的贡献度的合计值是1，第二处理部213b获取的贡献度的合计是0.8。在该情况下，即使第一处理部213a的贡献度的值与第二处理部213b的贡献度的值相同，但是由于各处理部中的相对于贡献度的合计值所占的贡献度的比例也不同，所以认为作为个别重要度应视为两者存在差异。

因此，调整部214根据稀疏建模处理部213的各处理部导出的贡献度，来计算进行作为个别重要度的标准变得同等那样的调整的调整完毕个别重要度。此外，调整部214的调整方法将在后面列举具体例子进行描述。

选择部215基于稀疏建模处理部213的各个处理部导出的调整完毕个别重要度来计算综合重要度，并基于该综合重要度从说明变量候选中选择学习模型的说明变量。这里，综合重要度是基于每个说明变量候选的调整完毕个别重要度的和、乘积以及平均值中的至少一个来计算出的值。在本实施方式中，选择部215计算调整完毕个别重要度的和，将计算出的值作为综合重要度。接下来，选择部215对多个说明变量候选的每个的综合重要度进行比较，将综合重要度较高的说明变量候选判断为适合于学习模型的说明变量的说明变量候选并将其选择。

这样，选择数据决定装置210进行从多个成型时数据(说明变量候选)中，将与成型品的特定的品质要素(目标变量)相关性较高的规定数量的成型时数据决定为选择数据(说明变量)的处理。

(4-2.模型生成装置220的构成)

接下来，参照图5对模型生成装置220的构成进行说明。模型生成装置220具备选择数据获取部221、成型品数据获取部222、成型品数据存储部223以及学习模型生成部224。

选择数据获取部221获取与在选择数据决定装置210中决定为选择数据的成型时数据(说明变量)相关的信息。成型品数据获取部222基于从选择数据获取部221获取的信息，从服务器120获取的全部的成型时数据中提取并获取作为选择数据的成型时数据。另外，成型品数据获取部222获取向输入部110输入的品质要素数据。而且，将成型品数据获取部222已获取的成型时数据以及品质要素数据存储于成型品数据存储部223。

学习模型生成部224基于存储于成型品数据存储部223的成型时数据以及品质要素数据，进行将成型时数据以及品质要素数据作为学习数据的机器学习，由此生成与成型时数据和成型品的品质要素相关的学习模型。关于这一点，学习模型生成部224将服务器120收集的大量的成型时数据以及品质要素数据作为生成学习模型时的机器学习的学习数据来使用，所以能够高效地生成学习模型。

此外，成型品数据获取部222也可以获取服务器120收集的成型时数据的全部。在该情况下，成型品数据存储部223也可以从成型品数据获取部222获取的成型时数据中，只存储作为选择数据的成型时数据。而且在该情况下，也可以为，成型品数据存储部223存储成型品数据获取部222获取的全部的成型时数据，学习模型生成部224从成型品数据存储部223中仅提取作为选择数据的成型时数据。

(4-3.预测装置230的构成)

接着，参照图5对预测装置230的构成进行说明。如图5所示，预测装置230主要具备学习模型存储部231、选择数据获取部232、成型时数据获取部233、预测部234以及输出部235。

学习模型存储部231存储由模型生成装置220的学习模型生成部224生成的学习模型。选择数据获取部232获取与在选择数据决定装置210中被决定为选择数据的成型时数据(说明变量)相关的信息。成型时数据获取部233基于从选择数据获取部232获取的信息，获取成型机1新成型成型品时服务器120收集的成型时数据。预测部234基于成型时数据获取部233获取的成型时数据、和存储于学习模型存储部231的学习模型，来预测新成型的成型品的品质要素。

输出部235进行预测部234的预测结果的输出。输出部235例如进行基于向显示装置(未图示)的显示的通知、基于声音的通知、基于显示灯的通知等。在这种情况下，输出部235也可以对被设置于预测装置230的显示装置等进行通知，也可以对被设置于多个成型机1各自的显示装置等进行通知，也可以对被设置于服务器120、管理装置130的显示装置等进行通知。另外，输出部235能够对预测装置230的使用者或者管理者所持有的移动终端进行通知。

此外，预测装置230也可以具备基于预测部234的品质要素的预测结果，进行新成型的成型品是否合格的优劣判定的判定部。而且在该情况下，输出部235也能够输出判定部的判定结果。

(5.说明变量的决定步骤的概要)

接下来，参照图6所示的流程图对选择数据决定装置210进行的说明变量(选择数据)的决定步骤的概要进行说明。

如图6所示，选择数据决定装置210作为选择数据的决定步骤中的最开始的处理，对服务器120收集的各种数据(s1)进行获取、存储。具体地说，收集数据获取部211在s1的处理中，获取服务器120收集的作为说明变量候选的成型时数据、以及作为目标变量的品质要素数据，并将其存储于收集数据存储部212。

在s1的处理后，选择数据决定装置210在稀疏建模处理部213的各处理部中，获取个别重要度(s2：稀疏建模处理工序)。在s2的处理中，各处理部使用各个稀疏建模方法，获取对于多个说明变量候选的每一个的贡献度。

在s2的处理后，选择数据决定装置210进行说明变量候选的提取(s3：第一调整工序)。在s3的处理中，调整部214在各处理部中，提取个别重要度较高的说明变量候选。即调整部214在各处理部中，从由服务器120收集的全部的作为说明变量候选的成型时数据中，将与作为目标变量的成型品的品质要素的相关性较低的成型时数据从说明变量候选中除去。然后，选择数据决定装置210计算调整完毕个别重要度(s4：第二调整工序)。在s4的处理中，调整部214对于在s3的处理中已提取的说明变量候选，在各处理部中进行与稀疏建模方法对应的调整，计算调整完毕个别重要度。

在s4的处理后，选择数据决定装置210基于调整完毕个别重要度来计算综合重要度(s5：第一选择工序)。在s5的处理中，选择部215针对各个说明变量候选，基于各处理部获取的个别重要度，计算各个说明变量候选的综合重要度。然后，选择数据决定装置210基于由s5的处理计算出的综合重要度，从多个说明变量候选中选择学习模型的说明变量(s6：第二选择工序)。在s6的处理中，选择部215对多个说明变量各自的综合重要度进行比较，将作为综合重要度较高的规定数量的说明变量候选的成型时数据决定为作为学习模型的说明变量使用的选择数据。

这样，在机器学习装置200中，选择数据决定装置210基于通过使用相互不同的多个稀疏建模方法的处理而得到的个别重要度，计算多个说明变量候选各自的综合重要度。而且，选择数据决定装置210基于该综合重要度，从多个说明变量候选中选择作为说明变量适合的说明变量候选。因此，机器学习装置200能够从多个说明变量候选中可靠地选择适合作为用于说明特定的目标变量的说明变量的说明变量候选。

(6.说明变量的决定步骤的具体例子)

接着，关于说明变量的决定步骤的具体例子，举例进行说明。在以下所示的例子中，选择数据决定装置210从成型机1获取作为说明变量候选的成型时数据是金属模温度、缸温度、喷嘴温度、背压、保持压力、保压时间、冷却时间、注射速度、保压限制速度、v-p切换以及螺杆转速。此外，选择数据决定装置210也能够获取上述以外的成型时数据来作为说明变量候选。

(6-1.第一例的调整工序以及选择工序)

首先，参照图7以及图8对第一例的调整工序以及选择工序进行说明。如图7所示，第一例的调整工序在第一调整工序中，提取贡献度为0.01以上的说明变量候选。此外，调整部214也能够将提取说明变量候选时的贡献度的基准值设为大于0.01的值。接下来，第一例的调整工序在第二调整工序中，对已提取的说明变量候选，按照贡献度高低的顺序依次赋予从高到低的分数。即第一例的调整部214计算与个别重要度对应的分数来作为调整完毕个别重要度，并将其赋予给说明变量候选。

例如对于第一处理部213a，调整部214对已提取的说明变量候选中贡献度最高的说明变量候选亦即“金属模温度”赋予10分，对贡献度第二高的说明变量候选亦即“保持压力”赋予9分。以下，调整部214在个别重要度的顺序每降低1位时，将赋予的分数每次减少1分。即，第一例的调整部214等差级数地赋予与个别重要度对应的分数。这样，调整部214将与稀疏建模处理部213的各处理部导出的贡献度对应的分数赋予给每个说明变量候选，从而能够计算以作为个别重要度的标准变为同等的方式进行了调整的调整完毕个别重要度。

接下来，如图8所示，第一例的选择工序在第一选择工序中，基于调整部214计算出的分数来计算综合重要度。即第一例的选择部215将对于说明变量候选的每一个赋予的分数的和(合计分)作为综合重要度来计算。接着，第一例的选择工序在第二选择工序中，基于综合重要度(合计分)，选择学习模型的说明变量。在本例中，选择部215在第二选择工序中，选择综合重要度在30分以上的说明变量候选(金属模温度、保持压力、保压时间以及缸温度)。

这样，第一例的选择部215从多个说明变量候选中选择综合重要度在规定的阈值以上(本例中是30分以上)的说明变量候选来作为学习模型的说明变量。由此，选择数据决定装置210能够从多个说明变量候选中选择与目标变量相关性较高的规定数量的说明变量。因此，使用者能够在以提高成型品的品质要素为目的而进行动作条件的最优化时，从能够调整的许多动作条件中缩小到为了提高成型品的特定的品质要素而应该调整的动作条件。其结果是，使用者能够缩短动作条件的最优化所需的时间。

(6-2.第二例的调整工序以及选择工序)

接下来，参照图9以及图10对第二例的调整工序以及选择工序进行说明。如图9所示，第二例的调整工序在第一调整工序中，提取贡献度较高的5个说明变量候选。此外，例如在贡献度在规定的阈值以上(例如0.01以上)的说明变量候选小于5个的情况下，也可以使提取的说明变量候选小于5个。

接下来，第二例的调整工序在第二调整工序中，对已提取的说明变量候选，按贡献度高低的顺序依次赋予从高到低的分数。即第二例的调整部214计算与个别重要度对应的分数来作为调整完毕个别重要度，并将其赋予给说明变量候选。

例如对于第一处理部213a，调整部214对已提取的说明变量候选中贡献度最高的说明变量候选亦即“金属模温度”赋予10分，对贡献度第二高的说明变量候选亦即“保持压力”赋予6分。另外，调整部214对贡献度第三高的说明变量候选亦即“保压时间”赋予4分，对贡献度第四高的说明变量候选亦即“缸温度”赋予2分，对贡献度第五高的说明变量候选亦即“注射温度”赋予1分。这样，第二例的调整部214等比级数地赋予与个别重要度对应的分数。此外，“等比级数地”是指例如第1位与第2位的分数差同第2位与第3位的分数差、第3位与第4位的分数差不同。另外，第1位与第2位的分数差也可以设定为小于第2位与第3位的分数差、第3位与第4位的分数差。

接下来，如图10所示，第二例的选择工序在第一选择工序中，基于调整部214计算出的分数来计算综合重要度。即第二例的选择部215计算对于说明变量候选的每一个赋予的分数的和(合计分)来作为综合重要度。接着，第二例的选择工序在第二选择工序中，基于综合重要度(合计分)，选择学习模型的说明变量。在本例中，选择部215在第二选择工序中，选择综合重要度在10分以上的说明变量候选(金属模温度、保持压力、保压时间以及缸温度)。

这样，第二例的选择部215从多个说明变量候选中选择综合重要度在规定的阈值以上(本例中为10分以上)的说明变量候选，作为学习模型的说明变量。由此，选择数据决定装置210能够从多个说明变量候选中选择与目标变量相关性高的规定数量的说明变量。

(6-3.第三例的调整工序以及选择工序)

接下来，参照图11以及图12对第三例的调整工序以及选择工序进行说明。如图11所示，第三例的调整工序在第一调整工序中，提取贡献度在0.01以上的说明变量候选。

接下来，第三例的调整工序在第二调整工序中，进行与各处理部的稀疏建模方法对应的调整。具体而言，在图11所示的例子中，第一处理部213a以及第三处理部213c的个别重要度的合计是1，与此相对，第二处理部213b的个别重要度的合计是0.8，第四处理部213d的个别重要度的合计是0.9。

因此，第三例的调整部214计算对第二处理部213b获取的个别重要度乘以10/8而得到的值，将计算出的值作为第二处理部213b的调整完毕个别重要度。同样，第三例的调整部214计算对第四处理部213d获取的个别重要度乘以10/9而得到的值，将计算出的值作为第四处理部213d的调整完毕个别重要度。另外，第三例的调整部214将第一处理部213a以及第三处理部213c获取的个别重要度保持原样地作为调整完毕个别重要度。

此外，与各处理部的稀疏建模方法对应的调整方法并不限于上述内容。例如调整部214也可以进行贡献度最高的说明变量候选的调整完毕个别重要度的值变为“1”那样的调整。

接下来，如图12所示，第三例的选择工序在第一选择工序中，计算出由各处理部对每个说明变量候选计算出的调整完毕个别重要度的和，作为综合重要度计算。接着，第三例的选择工序在第二选择工序中，基于综合重要度(个别重要度的和)，选择学习模型的说明变量。在本例中，选择部215在第二选择工序中，按照综合重要度从高到低的顺序选择三个说明变量候选(金属模温度、保持压力以及保压时间)。

这样，第三例的选择部215从多个说明变量候选中选择综合重要度高的三个说明变量候选，作为学习模型的说明变量。由此，选择数据决定装置210能够从多个说明变量候选中选择与目标变量相关性高的规定数量的说明变量。