为了获得具有良好的分类准确性同时兼具可解释性的模型,提出了一种基于特征传递与重构的深度模糊分类器(deep fuzzy classifier based on feature transform and reconstruction,FR-DFC)。基于深度学习的层次堆叠思想,数个用于特征传递...为了获得具有良好的分类准确性同时兼具可解释性的模型,提出了一种基于特征传递与重构的深度模糊分类器(deep fuzzy classifier based on feature transform and reconstruction,FR-DFC)。基于深度学习的层次堆叠思想,数个用于特征传递的模糊系统(fuzzy systems for feature transform,FT_FS)和一个多原型模糊分类系统(multi-prototype fuzzy classification system,MPRFD_FS)堆叠在一起实现了模型的分类过程。其中,数个堆叠的FT_FS将数据从原始数据空间传递到高层特征空间中来探索数据中隐含的特征信息。MPRFD_FS则依据多个描述高层特征空间中类的分布特征的原型来实现分类。另一方面,利用多个用于特征重构的模糊系统(fuzzysystems for feature reconstruction,RE_FS)建立高层特征空间与原始数据空间的映射关系,并在原始数据空间中建立了一个便于理解的近似模糊分类器来保证FR-DFC具有可解释性。采用基于梯度下降和端到端的学习方式来优化模型的参数。优化的目标函数包含了分类损失函数和重构损失函数,能够同时保证模型的分类准确性和可解释性。实验结果表明:该分类器在提升分类准确性的同时兼具可解释性。展开更多
文摘为了获得具有良好的分类准确性同时兼具可解释性的模型,提出了一种基于特征传递与重构的深度模糊分类器(deep fuzzy classifier based on feature transform and reconstruction,FR-DFC)。基于深度学习的层次堆叠思想,数个用于特征传递的模糊系统(fuzzy systems for feature transform,FT_FS)和一个多原型模糊分类系统(multi-prototype fuzzy classification system,MPRFD_FS)堆叠在一起实现了模型的分类过程。其中,数个堆叠的FT_FS将数据从原始数据空间传递到高层特征空间中来探索数据中隐含的特征信息。MPRFD_FS则依据多个描述高层特征空间中类的分布特征的原型来实现分类。另一方面,利用多个用于特征重构的模糊系统(fuzzysystems for feature reconstruction,RE_FS)建立高层特征空间与原始数据空间的映射关系,并在原始数据空间中建立了一个便于理解的近似模糊分类器来保证FR-DFC具有可解释性。采用基于梯度下降和端到端的学习方式来优化模型的参数。优化的目标函数包含了分类损失函数和重构损失函数,能够同时保证模型的分类准确性和可解释性。实验结果表明:该分类器在提升分类准确性的同时兼具可解释性。
