論文の概要: A New Method to Compare the Interpretability of Rule-based Algorithms
- arxiv url: http://arxiv.org/abs/2004.01570v5
- Date: Tue, 23 Nov 2021 10:55:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 04:02:29.258509
- Title: A New Method to Compare the Interpretability of Rule-based Algorithms
- Title（参考訳）: ルールベースアルゴリズムの解釈可能性の比較法
- Authors: Vincent Margot, George Luta (GU)
- Abstract要約: 予測モデル解析においては,解釈可能性の重要性が高まっている。
提案されたスコアは、予測性、安定性、単純さの3つの項の重み付けされた総和である。
このスコアを用いて、回帰ケースと分類ケースのルールベースのアルゴリズムと木ベースのアルゴリズムの解釈可能性を比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpretability is becoming increasingly important for predictive model
analysis. Unfortunately, as remarked by many authors, there is still no
consensus regarding this notion. The goal of this paper is to propose the
definition of a score that allows to quickly compare interpretable algorithms.
This definition consists of three terms, each one being quantitatively measured
with a simple formula: predictivity, stability and simplicity. While
predictivity has been extensively studied to measure the accuracy of predictive
algorithms, stability is based on the Dice-Sorensen index for comparing two
rule sets generated by an algorithm using two independent samples. The
simplicity is based on the sum of the lengths of the rules derived from the
predictive model. The proposed score is a weighted sum of the three terms
mentioned above. We use this score to compare the interpretability of a set of
rule-based algorithms and tree-based algorithms for the regression case and for
the classification case.
- Abstract（参考訳）: 予測モデル解析では解釈可能性の重要性がますます高まっている。
残念なことに、多くの著者が述べているように、この概念に関するコンセンサスはまだ存在しない。
本論文の目的は,解釈可能なアルゴリズムを迅速に比較できるスコアの定義を提案することである。
この定義は3つの項からなり、それぞれが予測性、安定性、単純さという単純な公式で定量的に測定される。
予測性は予測アルゴリズムの精度を測定するために広く研究されているが、安定性は2つの独立したサンプルを用いてアルゴリズムによって生成された2つのルールセットを比較するDice-Sorensenインデックスに基づいている。
単純さは予測モデルから導かれる規則の長さの総和に基づいている。
提案するスコアは、上記の3項の重み付け和である。
このスコアを用いて,規則に基づくアルゴリズムと木に基づくアルゴリズムの回帰事例と分類事例の解釈可能性を比較する。
関連論文リスト
- Obtaining Explainable Classification Models using Distributionally
Robust Optimization [12.511155426574563]
特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。
ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。
我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
論文 参考訳（メタデータ） (2023-11-03T15:45:34Z) - Learning Locally Interpretable Rule Ensemble [2.512827436728378]
ルールアンサンブルは重み付き規則の線形結合に基づく解釈可能なモデルである。
本稿では,正確かつ解釈可能なルールアンサンブルモデルを学習するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-20T12:06:56Z) - Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。
公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。
他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
論文 参考訳（メタデータ） (2021-11-16T13:40:28Z) - Mean-based Best Arm Identification in Stochastic Bandits under Reward
Contamination [80.53485617514707]
本稿では,ギャップベースアルゴリズムと逐次除去に基づく2つのアルゴリズムを提案する。
具体的には、ギャップベースのアルゴリズムでは、サンプルの複雑さは定数要素まで最適であり、連続的な除去では対数因子まで最適である。
論文 参考訳（メタデータ） (2021-11-14T21:49:58Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Better Short than Greedy: Interpretable Models through Optimal Rule
Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。
与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-01-21T01:03:48Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z) - A Distributional Analysis of Sampling-Based Reinforcement Learning
Algorithms [67.67377846416106]
定常ステップサイズに対する強化学習アルゴリズムの理論解析に対する分布的アプローチを提案する。
本稿では,TD($lambda$)や$Q$-Learningのような値ベースの手法が,関数の分布空間で制約のある更新ルールを持つことを示す。
論文 参考訳（メタデータ） (2020-03-27T05:13:29Z) - A General Method for Robust Learning from Batches [56.59844655107251]
本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。
本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-02-25T18:53:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。