Highly Interpretable Linguistic Knowledge Bases Optimization: Genetic Tuning versus Solis-Wetts. Looking for a good interpretability-accuracy trade-off

摘要

Ce travail propose une voie dans la recherche du compromis entre précision et interprétabilité pour la conception de bases de règles floues. La contrainte de partitions floues fortes est imposée à chaque étape du procédé. Tout d'abord le système consiste en une base de règles compacte, très interprétable et raisonnablement performante du point de vue numérique. L'optimisation vise à améliorer cette dernière en modifiant légèrement les partitions des variables d'entrée. La procédure respecte la sémantique. Deux options sont étudiées : une approche globale par algorithmes génétiques et une recherche locale suivant la méthode de Solis et Wetts. Les résultats sur plusieurs jeux de données connus sont comparés avec ceux obtenus par des méthodes de référence / This work shows how to achieve a good interpretability-accuracy trade-off through keeping strong fuzzy partition property along the whole fuzzy modeling process. First, a small compact knowledge base is built. It is highly interpretable and reasonably accurate. Second, an optimization procedure, which only affects to the fuzzy partitions defining the system variables, is carried out. It improves the system accuracy while preserving the system interpretability. Two optimization strategies are compared: Solis-Wetts, a local search based strategy; and Genetic Tuning, a global search based strategy. Results obtained in a well-known benchmark medical classification problem, related to breast cancer diagnosis, show that our methodology is able to achieve knowledge bases with high interpretability and accuracy comparable to that obtained by other methodologies