从人工神经网络中提取符号规则

尽管对于模式分类问题，反向传播人工神经网络通常比决策树预测得更好，但它们常被视为黑盒，即其预测无法像决策树那样得到解释。在许多应用中，希望从已训练的人工神经网络中提取知识，以便用户更好地理解网络是如何解决问题的。提出并实现了一种新的规则提取算法，称为从人工神经网络中提取规则（REANN），用于从人工神经网络中提取符号规则。标准的三层前馈人工神经网络是该算法的基础。提出了一种用于反向传播学习的四阶段训练算法。通过将提取的规则与其他方法生成的符号规则进行比较，证明了所提取规则的明确性。在规则数量、规则平均条件数和预测准确率方面，提取的规则与其他方法具有可比性。在多个基准分类问题（如乳腺癌、鸢尾花、糖尿病和季节分类问题）上的大量实验研究，证明了所提方法的有效性及其良好的泛化能力。