抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
解釈可能な分類器は,それらのより複雑な対応物よりも理解し,説明するのが本質的に容易であるため,最近,データマイニングコミュニティからの注目の増加を目撃している。解釈可能な分類モデルの例には,ディシジョンツリー,ルールセット,およびルールリストが含まれる。そのようなモデルを学習することは,しばしば大量のデータを必要とするハイパーパラメータの最適化を含み,比較的大きなモデルをもたらす可能性がある。本論文では,マルチクラス分類のためのコンパクトで正確な確率的ルールリストを学習する問題を考察した。具体的には,確率的ルールリストと最小記述長(MDL)原理に基づく新しい形式化を提案した。これにより,仮想的にパラメータのないモデル選択が可能になり,適合性の良さによりモデルの複雑さを自然にトレードオフさせることができる。これにより,過パラメータ調整のための過剰適合と必要性が効果的に回避される。最後に,著者らは,提案した判定基準によって規則リストを欲しく見つける分類アルゴリズムを導入した。著者らは,予測性能と解釈可能性の組合せになるとき,分類が最先端の分類装置を上回る小さい確率的ルールリストを選択することを経験的に実証した。著者らは,クラスがそのパラメータに鈍感であることを示した。すなわち,候補集合と訓練集合上の圧縮は分類性能と相関し,MDLベースの選択基準を検証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】