Fuzzy Bicausal Random Forest

doi:10.1109/TFUZZ.2025.3608482

Fuzzy Bicausal Random Forest

0

PRE

AI

DOI：10.1109/TFUZZ.2025.3608482

原文链接

原文求助

摘要

En 中文

随机森林（RF）被广泛认为是最主流的机器学习算法之一。为了实现更高的精度，随机森林中作为基学习器的决策树结构变得越来越复杂。因此，随机森林规则的复杂化导致了可解释性的下降。为解决此问题，提出了模糊双因果随机森林（FBRF）模型。提出了一种新的因果评估指标，命名为模糊双向因果识别或模糊双因果识别（FBR），用于结合模糊理论测量更全面的因果关系。FBR从充分性和必要性两个角度构建因果估计模型，并引入模糊理论处理特征离散化过程中的不确定性。在此基础上，利用FBR构建决策树和随机森林，形成FBRF，同时进行复杂度分析。在实验方面，来自20个不同规模公开数据集的结果表明，FBRF在简化模型规模的同时，与其他随机森林变体相比保持了相当的精度。因此，证明了FBRF在优越的可解释性与高性能之间达到了平衡。

Keyword:

Bidirectional causality

causal evaluation metric

fuzzy theory

random forest (RF)

Fuzzy Bicausal Random Forest

摘要

期刊

机构

引用论文