PulseAugur
中
实时 06:45:24
English(EN) Interpretable Fuzzy Rule-Based Regression Extension for Ex-Fuzzy Library

新的模糊回归扩展增强了机器学习的可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员为Ex-Fuzzy库开发了一个扩展，以实现Mamdani风格的模糊回归，增强了机器学习的可解释性。该扩展采用模糊C均值聚类结合目标感知划分初始化策略，从增强的输入-输出空间中提取语言变量。在KEEL存储库的十个回归数据集上的评估表明，高斯划分在规则库紧凑的情况下实现了约0.86的平均决定系数，优于线性回归和随机森林等标准基线。 AI

影响 增强了安全关键应用中机器学习模型的可解释性。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的模糊规则回归方法和实现。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的模糊回归扩展增强了机器学习的可解释性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Cayan Deniz Kucuktopana, Javier Fumanal-Idocin, Richard Pitts, Javier Andreu-Perez ·

    Ex-Fuzzy库的可解释模糊规则回归扩展

    arXiv:2607.20277v1 Announce Type: new Abstract: Machine learning models achieve high predictive accuracy in regression tasks, but their deployment in safety-critical and regulated domains requires interpretability. While fuzzy rule-based systems offer transparent, linguistically …

相关实体

相关话题