図4.4は機械学習で検出する対象の表現を求める一連の流れである．
まず3.1節で頻度分析をした結果から修正頻度の高い表現について， 各表現を含む文をウィキペディアからランダムに10文ずつ収集する． 取り出した10文について手作業で判定し，冗長である文を正例， 冗長でない文を負例とする． 判定した結果正例の割合が8割未満の表現を機械学習で扱う． 正例の割合が8割以上の表現については， 機械学習を用いるまでもなく，冗長な表現の検出に利用できる 手がかりと考えることができるため，ここでの 実験には用いない． 正例の割合が8割未満の表現としては， 「可能」「という」「すること」が見つかった． この表現を含む文をウィキペディアからさらにランダムに収集し， 手作業で判定して冗長である文を正例，冗長でない文を負例とする． 「可能」「という」「すること」のそれぞれ について100文ずつ合計300文のデータを作成する． ここでの正例と負例の判断では， 「可能」などの対象表現が冗長な表現を構成する場合 正例，そうでない場合負例とする． 対象表現以外の箇所が冗長であるか否かは この判断では利用しない．