16、探究学习分类器系统中独立规则适应度的影响

探究学习分类器系统中独立规则适应度的影响

1. 引言

在现实场景中，利用机器学习方法的决策代理的适用性，不仅取决于模型的准确性，还取决于能否向人类利益相关者解释决策过程。例如，在工业环境中，经验丰富的机器操作员往往更依赖自己的知识，而不是与他们的认知相悖且缺乏依据的模型建议。尤其是当学习任务复杂且可用训练数据有限时，模型难以做到尽善尽美，这一问题会更加突出。

为了让数字代理的建议发挥优势，增强利益相关者对预测的信任至关重要，这包括解释产生预测的过程以及整个模型。在某些情况下，易于解释的模型比性能更好但复杂度更高的模型更受青睐。基于规则的学习器，如学习分类器系统（LCS），非常适合这种场景，因为它们便于进行详细解释。

LCS 本质上是透明且可解释的基于规则的学习器，使用有限的 if - then 规则来构建模型。每个规则包含一个更简单、更易理解的子模型，与特征空间的特定区域相关。规则适用的条件通常在训练过程中通过进化算法进行优化。LCS 主要有两种风格：
- 匹兹堡风格系统 ：进化一组具有组合适应度（每组一个）的规则集。
- 密歇根风格系统 ：随着时间的推移调整单个规则集，每个规则具有单独的适应度。

这两种风格的进化算法优化方式不同，但目标都是找到一组“准确且尽可能通用”的规则。密歇根风格系统通常不将可解释性要求直接作为优化目标，虽然通用性概念在一定程度上有所体现。而匹兹堡风格系统的进化算法通常将误差和规则集大小作为目标，但需要优化规则的位置和选择，这可能导致有益的规则更改无法反映在规则集适应度的相应变化中，从而在下一代中被丢弃。此外，密歇根风格系统通常会生成和保留大