统一任务感知评分规则集框架：面向表格数据分类、回归与聚类的透明机器学习方法

《AI》：Scored Rule Sets: A Unified Framework for Interpretable Classification, Regression, and Cluster Explanation

　　

摘要

表格数据的可解释机器学习传统上依赖于碎片化的规则归纳生态系统，其中离散目标与连续目标分别采用不同的范式，而无监督结构的透明事后解释很少被整合到统一的模型类别之下。本文提出了一种统一的、任务感知的评分规则集框架形式化方法，涵盖多分类、连续回归以及透明聚类解释，同时将逻辑可理解性与模块化作为首要设计目标。通过建立显式的任务感知形式化 ??=(??,??,????)，将规则条件发现与任务特定的评分向量语义及交换聚合算子解耦，我们整合了先前分类研究所建立的基础，引入了与 scikit-learn 兼容的原生回归运行时，并提出了一种通过透明规则集解释任意聚类分配的两阶段代理流水线。在标准表格基准上的广泛实证评估中，我们比较了启发式、遗传编程和多目标进化后端在预测性能、解释保真度和模型简洁性方面的表现。结果表明，任务感知的评分规则集在监督场景下达到了具有竞争力的准确率，并在无监督场景下实现了高解释保真度，从而确立了评分规则集作为透明表格机器学习的多功能、整体化基础。