[PYTHON] Ablehnung der Ernennung des Japanischen Akademischen Rates AI - Auf dem Weg zur Schaffung einer eleganten Antwort-

Auslassung, Bürokraten

Die Weigerung, die Japan Academy of Sciences zu ernennen, ist ein Problem. Wie geht es dir mit den Bürokraten?

In Bezug auf den Grund für die Ablehnung der Ernennung von Premierminister Kan

―― "Umfassende Vogelperspektive" ―― "Urteil mit Blick auf Vielfalt"

"45% der Mitglieder gehören der ehemaligen kaiserlichen Universität an" ―― „Es gibt nur wenige Menschen aus dem privaten Sektor und junge Menschen, und es gibt eine Tendenz“

Die Antwort ist, dass ich nach und nach ein Gefühl der Konkretheit hinzugefügt habe.

―― "Private Universitätszugehörigkeit wird ebenfalls abgelehnt"

"Frauen (die in erster Linie Minderheiten sind) werden ebenfalls abgelehnt."

Sobald der Widerspruch in Sekunden aufgezeigt wird ...

Allerdings habe ich ~~ bereits abgelehnt, nachdem ich eine Entscheidung getroffen hatte ~~ Ich kann den Premierminister nicht fragen, warum. Ein ausgezeichneter Untergebener ist derjenige, der die Absicht des Senioren versteht. [^ 1]

Maschinelles Lernen, um das Wissen des Premierministers zu enträtseln

Auf der anderen Seite versuchen, die Absicht (Logik) aus der Empfehlungsliste zu finden Es ist schwierig, signifikante Funktionen zu finden, selbst wenn die Excel-Tabellierung auf verschiedenen Achsen durchgeführt wird ...

Überlassen wir es in einem solchen Fall "AI". Durch das Lernen für "Vorhersage der Terminverweigerung" durch AI werden wir die Regeln herausfinden. [^ 2]

Daten / Merkmale / Modell

Die Dienstplandaten sind auf der offiziellen Website der Japan Academy of Sciences verfügbar. Verwenden Sie "25. Jahrestagung der Japanischen Gesellschaft der Wissenschaften (Gesamtversion) zum 1. Oktober, 2. Jahr von Reiwa" [^ 3]
Informationen (Name, Zugehörigkeit, Spezialität) des abgelehnten Empfehlers finden Sie bei Wikipedia. [^ 4]
Das Fachgebiet wurde vom Autor anhand von Wikipedia-Informationen erstellt und mit der obigen Liste verglichen.
Da "Philosophie" an die Theologische Fakultät / Graduiertenschule für Religion vergeben wurde, wurde "Philosophie" auch an das Christentum vergeben. ―― "Geschichte des politischen Denkens / der politischen Philosophie" gibt "Politik" und "Philosophie"

Name (Titel weggelassen)	Fachgebiet
Ashina Sadamichi	Philosophie
Shigenori Uno	Politikwissenschaft / Philosophie
Okada Masanori	Recht
Ryuichi Ozawa	Recht
Yoko Kato	Geschichte
Takaaki Matsumiya	Recht

―― ~~ Ich habe die Liste noch nicht einmal gesehen ~~ Ich hätte die empfohlene Liste lesen sollen, aber unter der Annahme, dass nicht alle aktuellen Mitglieder sie gesehen haben, habe ich mich an die 105 Personen gewandt, die diesmal empfohlen wurden.

Da die Erstellung eines Vorhersagemodells nicht der eigentliche Zweck ist, wird die gesamte Menge als Trainingsdaten verwendet.
Als Merkmalsmenge wird zusätzlich zu "Geschlecht" und "Alter" die in "Zugehörigkeit / Jobname" enthaltene Zeichenfolge in eine Merkmalsmenge umgewandelt und verwendet.
Ob der Name der ehemaligen 7 kaiserlichen Universitäten angegeben werden soll oder nicht
Ob "Ritsumeikan University" und "Waseda University" enthalten sind oder nicht
Ob "national" und "co., Ltd." enthalten sind oder nicht


def add_kw_col(df, target, kw):
    """
    @param {DataFrame}df Originaldatenrahmen
    @param {string}Ziel kw Spaltenname, um festzustellen, ob er eine Zeichenfolge enthält
    @param {string}kw Die enthaltene Zeile ist 1,0 wenn nicht enthalten
    """

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

    return(df)

#Zum Beispiel das frühere kaiserliche Universitätsurteil über Zugehörigkeit und Berufsbezeichnung
#Fügen Sie eine Spalte mit dem Namen "○○ Universität in Zugehörigkeit / Jobname", 1 hinzu/Flag 0
teidai = ["Universität Tokio", "Kyoto Universität", "Osaka Universität", "Tohoku Universität", "Nagoya Universität", "Hokkaido Universität", "Kyushu Universität"]
for kw in teidai:
    df_all = add_kw_col(df_all, target="Zugehörigkeit / Berufsbezeichnung", kw=kw)

Das Modell verwendet auch einen hoch interpretierbaren Entscheidungsbaum, da es auch darauf abzielt, eine elegante Antwort mit einem klaren Grund für die Ablehnung zu erstellen. ――Der Punkt ist, dass Sie die ernannte Person und die abgelehnte Person relativ sauber aufteilen können, wenn Sie die Empfehlungen gemäß diesem Wert dieses Elements in zwei Gruppen aufteilen.

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)

Ergebnisse / Diskussion

Der bestimmte Baum ist wie folgt aufgebaut.

Abgesehen von kleinen Zahlen, wenn in Buchstaben transkribiert ... [^ 6]

Wenn Sie sich auf Recht spezialisiert haben und der Ritsumeikan-Universität angehören, ** lehnen Sie ab! ** **.
Wenn Sie 61 Jahre oder älter sind und der Waseda-Universität angehören, die sich auf Recht und nicht auf Umweltstudien spezialisiert hat, ** lehnen Sie ab! ** **.
Wenn Sie sich auf Recht spezialisiert haben und 61 Jahre oder jünger sind, ** lehnen Sie ab! ** **.
Wenn Sie sich auf Philosophie spezialisiert haben und jünger als 56 Jahre sind, ** lehnen Sie ab! ** **.
Wenn Sie sich auf Geschichte spezialisiert haben und der Universität Tokio angehören, ** lehnen Sie ab! ** **.
Wenn Sie sich auf Philosophie spezialisiert haben und über 63 Jahre alt sind, können Sie dies irgendwie ablehnen

Es scheint, dass "alter Kaiser", "jünger" und "privat" nichts miteinander zu tun haben.

** Ich habe den Grund für die Ablehnung selbst für "AI" ** in 6 nicht verstanden. Professor Ashina, dem die Ernennung verweigert worden sein soll, und Professor Yoshioka, der derzeit Mitglied ist, Zugehörigkeit zur selben Universität von Kyoto, 64 Jahre, spezialisiert auf Philosophie, Diese Analyse ergab keinen Grund für die Ablehnung.

Dies bedeutet, dass die Anzahl der Funktionen nicht ausreicht ... Zum Zeitpunkt der Entscheidung scheint es, dass der Premierminister andere Informationen als die Liste von irgendwoher erhalten hat ~~.

abschließend

Der Punkt ist "Ich möchte das Urteil von jemandem reproduzieren", daher sind in der AI-Einführung PRJ gemeinsame Themen wie "Vermeidung von Personalisierung" und "Nutzung von Veteranenwissen" gemeinsame Themen.
Es ist wahrscheinlich möglich, wenn die Daten vorhanden sind, "KI, die später einen Grund für die Bemerkungen des Premierministers geben wird ~~" [^ 7]
Ich denke, es ist ein unverzichtbarer DX, um den Arbeitsstil der Bürokraten zu reformieren, Verwirrung im Landtag zu vermeiden und schließlich die Zustimmungsrate des Kabinetts zu verbessern. Wie wäre es mit Minister Hirai?

[^ 1]: Ich weiß nicht, ob die Bürokraten die Antwort geschrieben haben. [^ 2]: Es ist nicht wirklich gut, dies in einem tatsächlichen PRJ zu tun. Betrachten wir Vorhersage und kausales Denken getrennt. Der Klient möchte aus der Mitte einen kausalen Rückschluss ziehen, aber wir lehnen ihn elegant ab.