可解释分类学习规则集的贝叶斯框架
Tong Wang、Cynthia Rudin、Finale Doshi-Velez、Yimin Liu、Erica Klampfl、Perry MacNeille; 18(70):1−37, 2017.
摘要
我们提出了一种机器学习算法，用于构建由小的数量短的规则。这些是限制析取范式模型。这种形式的分类器的示例如下：如果$X$满足（条件$A$与条件$B$）或（条件$C$）或$\cdots$，然后$Y=1$。这种形式的模型的优点是可以被人类专家解释，因为它们产生了一组简洁描述特定类的规则。我们提出了两个概率模型，其中包含用户可以设置的先验参数，以鼓励模型具有所需的大小和形状，从而符合特定领域的可解释性定义。我们提供了一种可扩展的MAP推理方法，并通过迭代修剪搜索空间来开发理论界以减少计算。我们应用我们的方法（贝叶斯规则集--BRS公司)描述和预测车内上下文软件个性化推荐系统的用户行为。与经典的关联分类方法和决策树相比，我们的方法有一个主要优势，即它不会贪婪地增长模型。
[腹肌]
[pdf格式][围兜]
