本文介绍了一种名为 Supersparse Linear Integer Model 的分类模型,可以用于创建精准、可解释的评分系统,主要应用于医学和犯罪学领域,并通过数值试验表明其较之基于数值的分类模型具有更高的精度和稀疏度。
Jun, 2013
使用混合整数线性规划技术,我们提出了一种可解释的,具有稀疏性和公平性约束的多类别分类评分系统,扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。
Apr, 2023
提出了一种基于最优化的规则,将线性模型分解为不断增加复杂性的一系列模型,从而为线性模型创建解释,并派生出线性模型的参数化互操作性指标族,研究了解释性和预测准确性之间的权衡。
Jul, 2019
本文提出了一种新的优化框架,用于学习准确且精简的两级布尔规则,通过线性规划松弛,块坐标下降和交替最小化等高效算法来更新优化函数,以实现准确性和可解释性之间的平衡。实验表明,我们的方法在准确性和可解释性之间提供了很好的权衡。
Jun, 2016
该研究探讨了如何创建足够准确、透明、可解释的再犯预测模型以用于决策,使用了流行的机器学习方法来创建沿全 ROC 曲线的模型,并使用 SLIM 方法创建精确、透明、可解释的模型,可用于各种不同的用例,因为它们与最强大的黑盒机器学习模型一样准确,但完全透明和高度可解释。
Mar, 2015
本文提出了一种新的数据驱动评分系统方法,称为超稀疏线性整数模型 (SLIM),通过求解一个整数编程问题,直接编码精确度和稀疏度的度量,限制系数为互质整数,且能够无缝地包含一系列相关操作约束,从而能够创造高度定制的模型。
Feb, 2015
本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架,通过结合小批量学习和迭代规则学习的方法,实现了分类规则的合成。实验结果表明,IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡,并用于学习流行的可解释分类器,如决策列表和决策集。
May, 2022
本文提出了一种基于有限状态自动机的序列分类器,能够支持更早的分类并具有解释性和强大的实证表现。它具有可比较于 LSTM 的测试性能并具有可解释性的优点。
Oct, 2020
通过利用分布鲁棒优化,我们提出了一个新的公式来学习一组规则集的集合,以在保持计算成本低的同时确保良好的泛化性能,并通过构建一个稀疏的规则集合来解决规则集的稀疏性和预测准确性之间的固有权衡。
Nov, 2023
本文提出使用基于规则的特征(也称为规则集成)的广义线性模型,用于回归和概率分类,通过列生成算法,优化规则集合的复杂度和预测准确性的平衡。在逻辑回归和线性回归的实验中,与现有的规则集成算法相比,所提出的方法可以获得更好的准确性 - 复杂度平衡,一端可以与少量簇比较。
Jun, 2019