返回
Interpretable optimisation-based approach for hyper-box classification
DOI:10.1007/s10994-024-06643-7.png)
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
IF:
2.9
论文数:
2.8K
被引数:
3.8W

