提供了一种基于贝叶斯框架的下降规则列表学习方法,用于分类和医疗应用中病人风险评估和决策等方面。
Nov, 2014
提出了一种建立概率规则列表的算法,其速度比以前的工作快两个数量级,并能够通过优化规则列表在准确性、可解释性和计算速度之间实现实用平衡,并利用贝叶斯分层模型优化概率分类器。
Feb, 2016
从大数据集中学习近乎最优的规则列表的一种新颖和可扩展的方法,使用采样以有效获得近似最优规则列表,并在质量上做出保证,速度比精确方法快两个数量级,并且与启发式方法相比更高质量的规则列表。
Jun, 2024
本文提出了一种基于离散优化的过程,用于构建基于分类特征空间的规则列表,并且通过算法边界、高效数据结构和计算复用来获得数倍的时间加速和大幅度降低的内存消耗。其结果表明,通过本方法可以在几秒钟内构建出比 Broward County,Florida 的数据上的 COMPAS 专有风险预测工具准确性近似的解释性优化规则列表,这是一种新的解释性建模决策树方法的替代方案。
Apr, 2017
本文介绍了一种基于子模优化的学习规则集的方法,将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决,实验结果表明这种方法简单、可扩展且具有较好效果。
Jun, 2022
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
本文介绍了一种基于概率规则列表和最小描述长度原则的模型选择方法,该方法可以在减小模型复杂度与保持良好拟合度之间进行折衷。同时,介绍了 Classy 算法,该算法针对多类别分类问题,选择小的概率规则列表,实现了良好的性能和可解释性。
May, 2019
描述了一种基于机器学习的方法,用于给定多个输入变量的值来预测实值函数的值,并引出了一种规则决策模型,经实验证明其与现有的机器学习和统计方法具有竞争力并且有可能表现更好的回归性能。
Dec, 1995
本文介绍了一种从示例中引导逻辑程序的方法,学习定于为以 cut 结束的子句有序列表的新类概念,称为一阶决策列表。 这种名为 FOIDL 的方法基于 FOIL,但采用内在背景知识,避免了需要显式负例。 它特别适用于涉及具有特定异常规则的问题,例如学习英语动词的过去时,这是在符号 / 连接主义讨论背景下广泛研究的任务。 FOIDL 能够从比以前的方法(连接主义和符号主义)使用更少的例子学习此问题的简明,准确程序。
Jun, 1995
本文提出以布尔规则为基础的分类方法,并通过基于整数规划和 Hamming 距离的算法,寻求简单分类规则和分类准确性之间的平衡,实现优于一级规则的分类效果。
Nov, 2015