ビジネスへの AI 利活用の取組みにおいて，AI 判断の根拠を説明できるホワイトボックスの機械学習手法に注目が集まっている．たとえば，ルールベースの機械学習手法は人間が理解しやすいモデルとして知られている．これらは多数のルールを考慮することで精度を高めることができる．しかし，ルールベースの機械学習はその特徴量として連続値を扱う際には，前処理として離散化してルールの基準を作成する必要があるため，前処理の方法によって精度が大きく左右される．特に，複数の特徴量から形成される高次のルールを扱う予測モデルを構築する場合には，ある１つの特徴量を上手く離散化しても，他の特徴量との関係によって，最適な離散化となっていない可能性が高い．本論文では，ルールベースの機械学習において，最適な離散化を行うための新たな手法を提案する.
