不均衡データのための深層アンサンブルレベルに基づく解釈可能な高木–菅野–川口ファジィ分類器

既存の研究によれば、不均衡データの誤分類率は、小さな分離、クラスの重複、境界線、および稀なデータサンプルの存在による問題のある領域に大きく依存しています。本研究では、マイノリティクラスとその問題のある領域にゼロ次高木-菅野-川口（TSK）ファジィサブ分類器をスタッキングすることで、不均衡データ分類タスクのための新しい深層アンサンブルレベルに基づくTSKファジィ分類器（IDE-TSK-FC）を提案し、期待される分類性能とゼロ次TSKファジィ分類器の高い解釈可能性を両立させます。同時に、スタッキング一般化原則に従い、提案する分類器は、クラス不均衡学習のための一般化能力の向上を保証しながら、データレベルから深層アンサンブルレベルへのオーバーサンプリングを引き上げます。IDE-TSK-FCの構造において、最初の解釈可能なゼロ次TSKファジィサブ分類器は、元のトレーニングデータセットに基づいて構築されます。その後、元のトレーニングデータセットから新たに特定された問題のある領域と、すべての前の層での平均化戦略から得られた対応する解釈可能な予測の上に、いくつかの連続したゼロ次TSKファジィサブ分類器が層ごとにスタックされます。IDE-TSK-FCは、各層で古典的なK近傍アルゴリズムを単純に採用し、マイノリティサンプルとその周囲のK多数派隣接者で構成される問題領域を特定します。その後、特定の入力特徴を無視し、選択されたすべての入力特徴および各ファジィルールの前提の拡張された特徴に対して五つのガウス会員関数をランダムに選択することにより、各ファジィルールの帰結部分を決定するために最小学習機を使用することで、それぞれのサブ分類器が迅速に取得できます。公的データセットと実世界のヘルスケアデータセットにおける実験結果は、IDE-TSK-FCがクラス不均衡学習において優れていることを示しています。