概率无序规则集
本研究提出了 TURS 作为解决现有方法缺陷的方法,TURS 通过利用规则集的概率特性和开发两阶段启发式算法来学习无序规则集,并在实验中证明 TURS 相对于现有方法在解释性和预测性能方面均具有优势。
Jun, 2022
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
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
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
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
本文提出了一个名为 RuDi 的两阶段方法,能够将黑箱模型中的知识提炼为基于规则的模型。 RuDi 的第一阶段是使用基于蒙特卡罗树搜索 (Monte Carlo tree search-based) 的统计方法生成规则,第二阶段是使用提出的神经逻辑网络将统计数据组合成逻辑规则。本文还在三个公共数据集和一个工业数据集上评估了 RuDi 的有效性。
Aug, 2022
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
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