SOAR：用于正类与负类分类的与规则同时或
机器学习
2023-02-15 v3 机器学习
摘要
算法决策已大量涌现，如今以琐碎和重大方式影响着我们的日常生活。机器学习从业者在电影推荐、医疗诊断和假释建议等多样应用中使用大量算法构建预测模型，却不深入探究驱动特定预测决策的原因。此类应用中的机器学习算法常因其优越性能而被选用，然而随机森林和深度神经网络等流行选择无法提供对预测模型的可解释理解。近年来，基于规则的算法被用于解决此问题。Wang 等人（2017）提出了一种基于与的或（析取范式）的分类技术，可对二分类中单一类别进行分类规则挖掘；该方法也被证明与其他现代算法性能相当。本工作中，我们扩展该思想以同时提供两类的分类规则。即，我们为正类和负类分别提供一组不同的规则。在描述该方法时，我们还提出了一种新颖且完备的分类法，清晰刻画并量化了现实世界中噪声二分类固有的模糊性。我们表明该方法可导出更细粒度的似然模型表述，且基于模拟退火的优化取得了可与同类技术竞争的分类性能。我们将该方法应用于合成及真实世界数据集，与其他相关方法比较，证明了我们提案的实用性。
引用
@article{arxiv.2008.11249,
title = {SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes},
author = {Elena Khusainova and Emily Dodwell and Ritwik Mitra},
journal= {arXiv preprint arXiv:2008.11249},
year = {2023}
}