用于可解释分类的与的或，及其在上下文感知推荐系统中的应用
机器学习
2015-04-29 v1
摘要
我们提出一种机器学习算法，用于构建由少量合取式的析取（与的或）组成的分类器。此类分类器的一个示例如下：若X满足(x1='blue' AND x3='middle') OR (x1='blue' AND x2='<15') OR (x1='yellow')，则预测Y=1，否则预测Y=0。属性-值对称为文字（literal），文字的合取称为模式（pattern）。此类模型的优势在于人类专家可解释，因为它们产生一组简洁描述特定类别的条件。我们提出两种用于形成模式集的概率模型，一种具有Beta-Binomial先验，另一种具有Poisson先验。在这两种情况下，都存在用户可设置的先验参数，以鼓励模型具有期望的大小和形状，从而符合特定领域对可解释性的定义。我们提供两种可扩展的MAP推断方法：涉及关联规则挖掘的模式级搜索，以及文字级搜索。我们展示更强的先验可减少计算量。我们将贝叶斯与的或（Bayesian Or's of And's, BOA）模型应用于预测用户在车载上下文感知个性化推荐系统中的行为。
引用
@article{arxiv.1504.07614,
title = {Or's of And's for Interpretable Classification, with Application to Context-Aware Recommender Systems},
author = {Tong Wang and Cynthia Rudin and Finale Doshi-Velez and Yimin Liu and Erica Klampfl and Perry MacNeille},
journal= {arXiv preprint arXiv:1504.07614},
year = {2015}
}