从人工神经网络中提取符号规则
摘要：从人工神经网络中提取规则的新算法REANN:从模式分类问题来看，尽管反向传播神经网络通常比决策树更好，但它们常常被视为黑盒子，即不能解释其预测与决策树的预测相同。在许多应用中，从训练好的神经网络中提取知识以便用户更好地理解网络如何解决问题非常重要。这里作者提出了一种新的规则提取算法，名为从人工神经网络中提取规则（REANN），并对其进行了实现。该算法基于一个标准的三层前馈神经网络，提出了一个四阶段的反向传播学习算法。通过将这些提取到的规则与其他方法生成的符号规则进行比较，支持提取规则的明确性。从规则数量、规则平均条件数量和预测准确性等方面来看，提取到的规则与其他方法是可比较的。对乳腺癌、鸢尾花、糖尿病和季节分类问题等多个基准分类问题进行了大量的实验研究，证明了这种方法具有很好的泛化能力和有效性。
作者：S. M. Kamruzzaman and Md. Monirul Islam
论文ID：1009.4570
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2010-09-28