QCBA：通过恢复离散化丢失的信息改进从定量数据学习的规则分类器
机器学习
2023-06-05 v3 人工智能
机器学习
摘要
某些规则学习算法所需的数值属性预离散化是效率低下的一个来源。本文描述了新的规则调优步骤，旨在恢复离散化中丢失的信息，以及可能进一步缩减规则模型规模并提升其准确性的新剪枝技术。所提出的 QCBA 方法最初是为后处理由基于关联的分类（CBA）算法生成的模型中的定量属性而开发，但它也可应用于其他规则学习方法的結果。我们展示了在五种关联规则分类算法（CBA、CMAR、CPAR、IDS、SBRL）与两种一阶逻辑规则学习器（FOIL2 和 PRM）生成的模型后处理上的有效性。在来自 UCI 仓库的 22 个数据集上的基准测试显示，相较所有七个基线，FOIL2+QCBA 具有更小的规模与总体最佳的预测性能。在此基准中，后优化的 CBA 模型比最先进的规则学习器 CORELS 具有更好的预测性能。本文包含对各后处理步骤的消融研究以及对 KDD'99 异常检测数据集的可扩展性分析。
引用
@article{arxiv.1711.10166,
title = {QCBA: Improving Rule Classifiers Learned from Quantitative Data by Recovering Information Lost by Discretisation},
author = {Tomas Kliegr and Ebroul Izquierdo},
journal= {arXiv preprint arXiv:1711.10166},
year = {2023}
}
备注
online-first. Appl Intell (2023)