人類可解釋的監督機器學習算法

我正在尋找一種監督機器學習算法，該算法將生成透明的規則或可以被人類輕鬆解釋的定義。人類可解釋的監督機器學習算法

我使用的大多數算法（SVM，隨機森林，PLS-DA）都不是很透明。也就是說，在針對非計算機科學家的讀者的出版物中，你很難總結出表格中的模型。例如，作者通常會做的是發佈基於某些標準的重要變量列表（例如，基尼指數或RF情況下的準確度平均降低），並且有時通過指示這些變量的差異來改進此列表問題之間的類。

我在看的是樣式「if（任何變量V1-V10>中位數或任何變量V11-V20 <第一四分位數）和變量V21-V30>第三四分位數的相對簡單的輸出，則A級「。

有沒有這樣的事情？

只是爲了約束我的問題：我正在處理高度多維的數據集（成千上萬到數十萬個常見的共線變量）。所以例如迴歸樹不是一個好主意（我認爲）。

2013-12-20 January

你是指像一個簡單的[決策樹]（http://en.wikipedia.org/wiki/Decision_tree_learning）？ –

您是否希望判決*邊界*可解釋，或者每個*單個決定*是否可解釋都足夠了？例如，對於k個最近鄰居，決策邊界可能非常複雜，但是通過顯示最近的k個鄰居（這很容易理解），您可以向每個用戶解釋每個決定。 – Niki

@RogerRowland好吧，我缺乏計算機科學的基礎知識，但是，就是這樣的。除了它應該用於高度多維數據集和序數而不是連續變量。 – January

你聽起來像你在描述決策樹。爲什麼迴歸樹不是一個好選擇？也許不是最佳的，但他們工作，那些是最直接可解釋的模型。任何對連續值有效的東西都可以用於序數值。

想要一個準確的分類器，並想要一個簡單和可解釋的模型之間存在着張力。你可以建立一個隨機決策林模型，並在幾個方面限制它，使它更解釋：

該模型將不會那麼好，一定。

2013-12-20 12:30:05

回答