基于 Hyperblocks 的全可解释分类模型

在现有 Hyperblocks 研究基础上，该方法利用每个属性的最小和最大边界进行数据分类，本文聚焦于提升可解释性、降低训练时间并减少模型复杂度，同时不牺牲准确性。该系统允许领域专家（SMEs）无需具备广泛的机器学习知识，即可直接检查和理解模型的决策逻辑。为在保留性能的同时降低 Hyperblocks 的复杂度，我们引入一套 Hyperblocks 简化算法，包括删除冗余属性、通过重叠分析删除冗余模块以及创建联合单元。这些方法消除不必要的参数，显著减少模型规模而不影响分类能力。通过引入基于 k 近邻（k-NN）分类器的可解释后备机制，用于处理未被任何模块覆盖的点，确保数据完全覆盖，同时保持模型透明度。我们的结果表明，可解释模型能够扩展到高维大规模数据集上，同时保持具竞争力的准确性。在基准数据集如 WBC（9 维）上，我们实现了强大的预测性能，同时显著降低了复杂度。在 MNIST（784 维）上，我们的方法通过调优和简化持续提升，显示其作为信任、清晰和控制至关重要领域中对黑箱模型的透明替代方案的前景。