Interpretability improvement of fuzzy rule induction classical algorithm
Amélioration de l'interprétabilité dans un algorithme classique d'induction de règles floues
Résumé
The aim of the OLS algorithm, which has been proven to be robust, is to build rules from a set of training data and then to select the most important ones amongst them using a linear regression. The only purpose of the original algorithm proposed by Wang & Mendel is to give good numerical performances. For this reason, we propose a new version of the algorithm which yields interpretable results. This article will rst present this new version, then we'll discuss some results obtained from a set of data coming from an anaerobic digestion process. We'll also show the interpretability limits of the OLS for average size problems (more than 5 inputs variables).
L'algorithme OLS (Orthogonal Least-Squares) est un processus d'apprentissage robuste qui, à partir d'une série d'exemples, génère un ensemble de règles floues et sélectionne ensuite les plus importantes d'entre elles par régression linéaire. L'algorithme d'origine de Wang & Mendel a pour unique but de fournir de bonnes performances numériques. Nous proposons une nouvelle mise en oeuvre qui tient compte de l'interprétabilit¥e des résultats. Les modifications apportées seront présentées dans cet article, ainsi qu'une analyse des résultats obtenus sur un jeu de données provenant d'un procédé de dépollution. Nous mettrons également en évidence les limites d'interprétabilité de l'OLS pour des problèmes de dimension moyenne (plus de 5 variables d'entrée).