神经网络？决策树？都做不到！

在此图中，每个节点都包含一个神经网络。该图仅突出显示了一个这样的节点和内部的神经网络。在神经支持的决策树中，通过决策树进行预测，以保留高级解释性。

但是，决策树中的每个节点都是做出低级决策的神经网络。上面的神经网络做出的“低级”决定是“有香肠”或“没有香肠”。上面的照片是根据Pexels许可从pexels.com获取的。

NBDT实现了神经网络的准确性。

与其他任何基于决策树的方法不同，NBDT在3个图像分类数据集上都匹配神经网络精度(差异小于1%)。NBDT还能在ImageNet上实现神经网络2%范围内波动的准确性，ImageNet是拥有120万张224x224图像的最大图像分类数据集之一。

此外，NBDT为可解释的模型设置了新的最新精度。NBDT的ImageNet准确度达到75.30%，比基于决策树的最佳竞争方法高出整整14%。为了准确地说明这种准确性的提高：对于不可解释的神经网络，类似的14%的增益花费了3年的研究时间。

神经支持的决策树可以解释什么，如何解释

个人预测的理由

最有见地的理由是根据该模型从未见过的对象。例如，考虑一个NBDT(如下)，并在斑马上进行推断。尽管此模型从未见过斑马，但下面显示的中间决策是正确的——斑马既是动物又是蹄类动物。单个预测的正确性的能力对于没见过的物体至关重要。

（编辑：济源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!