我们提出了 TURS,也就是真正无序规则集,来解决现有方法中的一些缺点,并展示了这种方法在规则集学习方面的竞争性预测性能和较低的模型复杂度。
Jan, 2024
该研究提出了一种新方法来推断不同的规则集,通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠,以及在鉴别品质和规则集多样性之间最大化加权总和,来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则,并证明其拥有更好的预测能力和解释性。
Jun, 2020
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
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
SIRUS 是一种稳定的规则学习算法,采用简单的规则列表,结合了随机森林和稳定性,以实现回归分析和决策可解释性。
Apr, 2020
本研究提出了一种包括层级代理规则和可交互的代理规则可视化的工作流程,用于解释模型。使用可视化方法来解决规则可视化的问题,并评估了算法的参数灵敏度和时间性能,以及可用性研究。
Jan, 2022
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
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
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
本文提出了一种方法来识别数据集的最大不同但准确的模型,实验证明,当数据支持多个准确分类器时,我们往往会恢复更简单,更易解释的分类器而不是更复杂的模型。
Jun, 2018