基于通用线坐标的视觉知识发现

理解黑盒机器学习方法在多维度数据上的表现是机器学习中的关键挑战。虽然许多强大的机器学习方法已经存在，这些方法往往不可解释或在复杂数据上表现不佳。本文提出基于多种无损通用线坐标形式的视觉知识发现方法。这些是对先前引入的通用线坐标线性和动态脚手架坐标的扩展，用于生成、解释和可视化带有解释规则的非线性分类器。为确保这些非线性模型和规则准确，通用线坐标线性还开发了用于寻找最坏情况验证划分的新型交互式视觉知识发现算法。这些扩展包括通用线坐标非线性、交互规则线性、超块规则线性和最坏情况线性。在多个基准数据集上的实验表明，该视觉知识发现方法可以与其他视觉和计算机器学习算法竞争，同时提升线性和非线性分类中的可解释性和准确性。这些扩展的主要好处包括：能够从超块构建准确且高度可解释的模型和规则，能够分析模型中的可解释性弱点，以及通过交互式和人工引导的视觉知识发现方法输入专家知识。