Interpretability of Computational Intelligence-Based Regression Models

ایده کلیدی این کتاب این است که ابرصفحه‌های لولایی، شبکه‌های عصبی و ماشین‌های بردار پشتیبان را می‌توان به مدل‌های فازی تبدیل کرد، و تفسیرپذیری سیستم‌های مبتنی بر قانون را می‌توان با تکنیک‌های کاهش مدل و تجسم خاص تضمین کرد. بخش اول کتاب به شناسایی درختان رگرسیون مبتنی بر هیپرپلان لولایی می پردازد. بخش بعدی به اعتبار سنجی، تجسم و کاهش ساختاری شبکه های عصبی بر اساس تبدیل لایه پنهان شبکه به یک سیستم پایه قوانین فازی افزودنی می پردازد. در نهایت، بر اساس قیاس رگرسیون بردار پشتیبان و مدل‌های فازی، یک الگوریتم کاهش مدل سه مرحله‌ای برای بدست آوردن مدل‌های رگرسیون فازی قابل تفسیر بر اساس رگرسیون بردار پشتیبان پیشنهاد شده است.

نویسندگان، دنیای واقعی را نشان می‌دهند. استفاده از الگوریتم‌ها با مثال‌های برگرفته از مهندسی فرآیند، و متن را با کد قابل دانلود Matlab پشتیبانی می‌کنند. این کتاب برای محققان، دانشجویان فارغ التحصیل و شاغلین در زمینه هوش محاسباتی و یادگیری ماشین مناسب است.

The key idea of this book is that hinging hyperplanes, neural networks and support vector machines can be transformed into fuzzy models, and interpretability of the resulting rule-based systems can be ensured by special model reduction and visualization techniques. The first part of the book deals with the identification of hinging hyperplane-based regression trees. The next part deals with the validation, visualization and structural reduction of neural networks based on the transformation of the hidden layer of the network into an additive fuzzy rule base system. Finally, based on the analogy of support vector regression and fuzzy models, a three-step model reduction algorithm is proposed to get interpretable fuzzy regression models on the basis of support vector regression.

The authors demonstrate real-world use of the algorithms with examples taken from process engineering, and they support the text with downloadable Matlab code. The book is suitable for researchers, graduate students and practitioners in the areas of computational intelligence and machine learning.