ترجمه فارسی مقاله Con-Fold-یادگیری ماشین قابل توضیح با اعتماد به نفس

چکیده

FOLD-RM is an explainable machine learning classification algorithm that uses training data to create a set of classification rules. In this paper we introduce CON-FOLD which extends FOLD-RM in several ways. CON-FOLD assigns probability-based confidence scores to rules learned for a classification task. This allows users to know how confident they should be in a prediction made by the model. We present a confidence-based pruning algorithm that uses the unique structure of FOLD-RM rules to efficiently prune rules and prevent overfitting. Furthermore, CON-FOLD enables the user to provide pre-existing knowledge in the form of logic program rules that are either (fixed) background knowledge or (modifiable) initial rule candidates. The paper describes our method in detail and reports on practical experiments. We demonstrate the performance of the algorithm on benchmark datasets from the UCI Machine Learning Repository. For that, we introduce a new metric, Inverse Brier Score, to evaluate the accuracy of the produced confidence scores. Finally we apply this extension to a real world example that requires explainability: marking of student responses to a short answer question from the Australian Physics Olympiad.

چکیده به فارسی (ترجمه ماشینی)

Fold-RM یک الگوریتم طبقه بندی یادگیری ماشین قابل توضیح است که از داده های آموزشی برای ایجاد مجموعه ای از قوانین طبقه بندی استفاده می کند.در این مقاله ما به صورت متناوب معرفی می کنیم که از چند طریق برابر-RM را گسترش می دهد.CON-FOLD نمرات اعتماد به نفس مبتنی بر احتمال را به قوانینی که برای یک کار طبقه بندی آموخته شده است اختصاص می دهد.این به کاربران این امکان را می دهد تا بدانند که چقدر باید در پیش بینی مدل ساخته شده توسط مدل باشند.ما یک الگوریتم هرس مبتنی بر اعتماد به نفس ارائه می دهیم که از ساختار منحصر به فرد قوانین Fold-RM برای قوانین هرس و جلوگیری از بیش از حد استفاده می کند.علاوه بر این ، CON-TOND کاربر را قادر می سازد دانش از قبل موجود را در قالب قوانین برنامه منطق ارائه دهد که دانش پیش زمینه (ثابت) یا نامزدهای قانون اولیه هستند.این مقاله روش ما را با جزئیات و گزارش های مربوط به آزمایش های عملی شرح می دهد.ما عملکرد الگوریتم را در مجموعه داده های معیار از مخزن یادگیری ماشین UCI نشان می دهیم.برای این کار ، ما یک معیار جدید ، معکوس Brier را معرفی می کنیم تا صحت نمرات اعتماد به نفس تولید شده را ارزیابی کنیم.سرانجام ما این پسوند را در یک نمونه واقعی دنیای واقعی اعمال می کنیم که نیاز به توضیح دارد: علامت گذاری پاسخ های دانشجویی به یک سوال پاسخ کوتاه از المپیاد فیزیک استرالیا.