44、可解释TSK模糊分类器的宽集成方法及应用

可解释TSK模糊分类器的宽集成方法及应用

1. 引言

在分类问题中，可解释性和性能是两个重要的考量因素。传统的模糊分类器在处理复杂数据时，面临着模型复杂度高、规则爆炸等问题，而固定选择重要原始特征的方法也存在信息损失和难以适应动态环境的缺陷。为了解决这些问题，提出了一种新型的可解释TSK模糊分类器的宽集成方法（WEIFC）。

2. WEIFC的结构设计

2.1 设计动机

为了提高TSK模糊分类器的可解释性，同时避免规则爆炸问题，WEIFC将原始数据空间以自助法划分为多个重叠的数据子空间。这样做不仅能保证子分类器之间的多样性，还能在构建模糊规则的前件部分后，并行训练所有子分类器的后件部分，无需单独的聚合步骤，从而保证了快速训练过程和良好的可解释性。

2.2 工作原理

WEIFC具有双重随机性：
- 每个子分类器通过自助法随机生成原始特征的重叠数据子空间。
- 使用随机选择方法在各自的数据子空间上生成模糊规则的前件部分。

例如，对于一个q维的数据子空间$x = [x_1, x_2, …, x_q] \in R^q$，WEIFC在该子空间上的模糊规则可表示为：

IF x1 is high and x2 is low and ... and xq is very low THEN a for class 2

生成子分类器中所有模糊规则的前件部分后，可形成相应的前件部分矩阵，再结合后件部分矩阵来表示模糊规则。

2.3 数学推导