并行集成具有高可解释的TSK模糊分类器

作者：张雄涛^*; 蒋云良; 胡文军; 王士同

来源：控制与决策, 2020, 35(10): 2535-2542.

DOI：10.13195/j.kzyjc.2018.1794

• 集成TSK模糊分类器
• 并行学习
• 最小学习机
• 代表性中心点

针对分层Takagi-Sugeno-Kang (TSK)模糊分类器可解释性差,以及当增加或删除一个TSK模糊子分类器时Boosting模糊分类器需要重新训练所有TSK模糊子分类器等问题,提出一种并行集成具有高可解释的TSK模糊分类器EP-Q-TSK.该集成模糊分类器每个TSK模糊子分类器可以使用最小学习机(LLM)被并行地快速构建.作为一种新的集成学习方式,该分类器利用每个TSK模糊子分类器的增量输出来扩展原始验证数据空间,然后采用经典的模糊聚类算法FCM获取一系列代表性中心点,最后利用KNN对测试数据进行分类.在标准UCI数据集上,分别从分类性能和可解释性两方面验证了EP-Q-TSK的有效性.

• 单位
  江南大学; 湖州师范学院