arrow
返回

Interpretable optimisation-based approach for hyper-box classification

delete2025-02-06
delete0
delete
OA
AI
G
Georgios Liapis
S
Sophia Tsoka
L
Lazaros G. Papageorgiou *
DOI:10.1007/s10994-024-06643-7delete
delete原文链接
delete分享
delete收藏
摘要

摘要

En 中文
数据分类被认为是机器学习领域的一个基础研究课题。研究人员不仅追求机器学习算法的准确性提升,也关注其可解释性的改进。可解释的算法能够让人轻松理解机器学习模型做出的决策,而这对于黑箱模型来说颇具挑战。基于数学规划的分类算法因其能够有效在准确性和可解释性两方面与前沿算法竞争而备受关注。与此同时,超盒分类器的训练可被数学表述为混合整数线性规划(MILP)模型,其预测兼具准确性与可解释性。在本工作中,提出了一种基于优化的方法用于多类数据分类,采用超盒表示,从而便于提取紧凑的IF-THEN规则。我们方法的关键创新在于最小化生成规则的数量和长度以增强可解释性。通过多个真实数据集的实验,证明该算法在预测准确性和规则集简洁性方面展现出优于知名替代方案的优良性能。
Keyword:
Mathematical programming
Data classification
Mixed integer optimisation
Hyper-box
Interpretable machine learning

期刊

Machine Learning 封面图
Machine Learning
IF:
2.9
论文数:
2.8K
被引数:
3.8W

机构

U
Univ Coll London UCL
学者数:
223
论文数: 113
被引数: 465
K
Kings Coll London
学者数:
2.0K
论文数: 1.3K
被引数: 2.3K
引用论文

引用论文

Weka
err2024-09-04
err0
PREAI
errEibe Frank; Mark Hall; Geoffrey Holmes; Richard Kirkby; Bernhard Pfahringer; Ian H. Witten; Len Trigg
err分享
err收藏
Optimal randomized classification trees
err2021-08-01
err30
errOAAI
errBlanquero, Rafael; Carrizosa, Emilio; Molero-Rio, Cristina; Morales, Dolores Romero
err分享
err收藏
AI explainability 360
err2020-01-27
err0
PREAI
errVijay Arya; Rachel K. E. Bellamy; Pin-Yu Chen; Amit Dhurandhar; Michael Hind; Samuel C. Hoffman; Stephanie Houde; Q. Vera Liao; Ronny Luss; Aleksandra Mojsilović; Sami Mourad; Pablo Pedemonte; Ramya Raghavendra; John Richards; Prasanna Sattigeri; Karthikeyan Shanmugam; Moninder Singh; Kush R. Varshney; Dennis Wei; Yunfeng Zhang
err分享
err收藏
err分享
err收藏
学者 查看更多内容