可解释风格 Takagi-Sugeno-Kang 模糊聚类
机器学习
2025-04-08 v1 人工智能
摘要
聚类是探索数据潜在知识的高效且重要的技术。然而，大多数聚类算法所检测到的簇的可解释性却很少受到关注。此外，由于数据的同质性，不同的数据组具有各自的同质风格。在本文中，我们考虑了上述两个方面，提出了一种可解释风格 Takagi-Sugeno-Kang (TSK) 模糊聚类 (IS-TSK-FC) 算法。IS-TSK-FC 的聚类行为完全由模糊规则上的 TSK 模糊推理指导。具体而言，样本被分组为由以无监督方式学习的所有模糊规则的相应后件向量表示的簇中。这可以详细解释簇是如何生成的，从而使 IS-TSK-FC 的底层决策过程具有可解释性。此外，引入了一系列风格矩阵，通过捕获簇的风格以及不同风格之间的细微差别来促进 IS-TSK-FC 中模糊规则的后件。因此，IS-TSK-FC 中的所有模糊规则都具有强大的数据表示能力。在确定所有模糊规则的前件之后，IS-TSK-FC 的优化问题可以以交替方式迭代求解。通过在具有未知隐式/显式风格的基准数据集上的大量实验，验证了 IS-TSK-FC 作为可解释聚类工具的有效性。特别地，在不同数据组呈现显式风格的案例研究中，展示了 IS-TSK-FC 优越的聚类性能。IS-TSK-FC 的源代码可从 https://github.com/gusuhang10/IS-TSK-FC 下载。
引用
@article{arxiv.2504.05125,
title = {Interpretable Style Takagi-Sugeno-Kang Fuzzy Clustering},
author = {Suhang Gu and Ye Wang and Yongxin Chou and Jinliang Cong and Mingli Lu and Zhuqing Jiao},
journal= {arXiv preprint arXiv:2504.05125},
year = {2025}
}