通过损失函数与正则化项比较实现可解释机器学习的自动化

为提升机器学习的普适性，需要将其自动化。自动化具有成本效益，因为它使专家花费更少时间调参，从而缩短开发周期。然而，尽管这种自动化产生了高精度的架构，它们可能不可解释，充当“黑箱”，产生较低的传统误差却未能对底层输入输出关系——即真实情况——建模。本文探索在机器学习回归自动化中使用拟合中位数误差（Fit to Median Error）度量，利用进化计算以改进对真实情况的逼近。当与传统误差度量一同使用时，它通过将习得的输入输出关系正则化至条件中位数来提升可解释性。将其与传统正则化项比较以说明使用拟合中位数误差产生了对输入输出关系建模更一致的回归神经网络。所考虑的问题是利用节油空气润滑系统的船舶功率预测，其本质高度随机。针对拟合中位数误差优化的网络被证明能更一致地逼近真实情况，且不牺牲传统的Minkowski-r误差值。