Core Concepts
Das Ziel ist es, ein inkrementelles Modell auf Basis von MaxSAT zu entwickeln, um interpretierbare und ausgewogene Klassifikationsregeln zu lernen.
Abstract
Der Artikel präsentiert ein neues inkrementelles Modell namens IMLIB zum Erlernen interpretierbarer und ausgewogener Regeln. IMLIB kombiniert Ansätze aus SQFSAT, um die Größe der Regeln zu begrenzen, und IMLI, um Inkrementalität, Kosten für Klassifikationsfehler und Minimierung des Regelsets zu integrieren.
Die Experimente zeigen, dass IMLIB im Vergleich zu IMLI kleinere und ausgewogenere Regeln generiert, während es in vielen Fällen eine vergleichbare oder sogar überlegene Genauigkeit beibehält. Die Autoren argumentieren, dass Regelsets mit kleinen Regeln ähnlicher Größe interpretierbarer erscheinen als Regelsets mit wenigen großen Regeln.
Als zukünftige Arbeit planen die Autoren, eine Version von IMLIB zu entwickeln, die Datensätze mit mehr als zwei Klassen klassifizieren kann, um den Ansatz mit multiclass interpretierbaren Regeln aus der Literatur zu vergleichen.
Stats
Keine relevanten Statistiken oder Zahlen extrahiert.
Quotes
Keine relevanten Zitate extrahiert.