Компьютерные науки > Машинное обучение [представлено 6 сентября 2026 года] Название: Sparse Oblique Rule Gousting for Syщee Additiive Regional Ensembles View PDF HTML (экспериментальное) Резюме: Малые присадочные антенны символических правил предлагают интерпретируемые модели прогнозирования. Традиционно в этих анамблах используются условия правил, основанные на сочетании простых пороговых предположений $x x geq t долл. на одной входной переменной x долларов и пороговой величине $t, что приводит к геометрии по ось-параллельным политопам как регионам принятия решений. Хотя эта форма обеспечивает высокую степень интерпретируемости для отдельных правил и может быть эффективно изучена с использованием градиентного подхода, она основана на доступе к кухонным наборам экспрессивных входных элементов, чтобы небольшая комбинация осей-параллельных регионов могла хорошо описать целевую переменную. В отсутствие таких характеристик достижение достаточной точности требует увеличения числа и усложнения отдельных правил, что снижает интерпретируемость модели. Здесь мы продлеваем классические правила, внедряя логические предположения с изучаемыми малолинейными трансформациями входных переменных, т. е. предложения формы $\mathbf {x}T·matbf_w} / geq t долл., где $$\ Mathb f'w} является обучаемым маловесным вектором, что позволяет регионам принятия решений как общим полигедронам с косыми лицами. Мы предлагаем метод обучения с использованием градиентного повышения на основе взвешенной…
Правило о простейших присадках к правилам
arXiv: 26009,06426v1 Annuales Type: New Brieflow: Small addending ensembles of символические правила предлагают интерпретируемые модели прогнозирования. Традиционно в этих анамблах используются условия правил, основанные на сочетании простых пороговых предположений $x x geq t долл. на одной входной переменной x долларов и пороговой величине $t, что приводит к геометрии по ось-параллельным политопам как регионам принятия решений. Хотя эта форма обеспечивает высокую степень интерпретируемости для отдельных правил и может быть эффективно изучена с использованием градиентного подхода, она основана на доступе к кухонным наборам экспрессивных входных элементов, чтобы небольшая комбинация осей-параллельных регионов могла хорошо описать целевую переменную. В отсутствие таких характеристик достижение достаточной точности требует увеличения числа и усложнения отдельных правил, что снижает интерпретируемость модели. Здесь мы расширяем классические правила, вводя логические предложения с изучаемыми малоизвестными линейными трансформациями вводных переменных, т.е. pro