知识卡片：面向 Ex‑Fuzzy 库的可解释模糊规则回归扩展

一句话结论

该工作为 Ex‑Fuzzy 库添加了基于 Mamdani 推理的可解释回归模块，利用 Fuzzy C‑Means 聚类进行目标感知分区，在 10 个 KEEL 数据集上取得约 0.86 的决定系数（R²），同时保持 10–15 条人类可读规则，为黑箱回归模型提供了透明且性能有竞争力的替代方案。

事件概述或研究问题

机器学习回归模型在安全关键和受监管领域部署时面临解释性不足的问题。模糊规则系统虽能提供透明、语言可解释的模型，但 Mamdani 型模糊回归在现代机器学习软件库中仍少有支持。本文旨在解决该空白，为 Ex‑Fuzzy 库开发一套可解释的回归扩展。

方法/产品要点

• 扩展对象：Ex‑Fuzzy 库，新增 Mamdani 模糊推理能力，使用从数据直接学习的标量后件（scalar consequents）。
• 分区初始化：提出一种基于 Fuzzy C‑Means 聚类的目标感知分区初始化策略，通过增强输入‑输出空间来提取语言变量，使分区重点覆盖对输出重要的特征区域。
• 分区形状比较：同时实现了高斯（Gaussian）和梯形（trapezoidal）两种隶属度函数分区策略。
• 规则库规模：生成的规则库紧凑，仅含 10–15 条规则。

主要结果或产业意义

• 在 KEEL 仓库的 10 个回归数据集上，高斯分区一致优于均匀梯形分区，平均决定系数约 0.86。
• 与线性回归、多层感知机和随机森林等标准基线相比，该扩展在保持可解释性的同时获得了具有竞争力的预测性能。
• 产业意义：为需要透明决策（如医疗、金融监管）的回归任务提供了可直接使用的工具，弥合了模糊系统与现代深度学习库之间的鸿沟。

为什么重要

• 填补库级空白：Ex‑Fuzzy 库此前缺乏回归支持，此扩展使其能够处理回归任务。
• 可解释性与性能的平衡：证明了基于模糊规则的回归在保持人类可读规则集的前提下，能达到与黑箱模型接近的精度，有助于推动可解释 AI 在工业界的采纳。
• 目标感知分区创新：不仅引入聚类辅助分区，还通过嵌入输出信息使分区更关注目标相关区域，提升了建模效率。

局限与不确定性

• 该扩展仅在 10 个 KEEL 数据集上测试，更大规模或特定领域（如高维、非平稳）数据的泛化能力待核实。
• 与更现代的可解释回归方法（如广义加性模型、基于树的解释性模型）的直接比较未见报告。
• 提出的目标感知分区策略对噪声和离群点的鲁棒性待核实。
• 代码是否已开源、是否集成到 Ex‑Fuzzy 主分支，未从材料确认。

可用于图书/PPT/简报的角度

• 案例：展示一个可解释的回归模型如何在“信用评分”或“药物剂量预测”中同时提供高精度和透明规则。
• 对比：用一张图对比黑箱模型（RF/MLP）与本文模糊规则系统的决策路径复杂度。
• 技术点睛：解释“目标感知聚类”如何通过扩维使模糊分区更聪明地聚焦关键区域。

与既有脉络的关系

已有相关卡片涉及散斑回归、天文分类和抑郁症筛查，与本卡片主题（模糊规则回归扩展）无直接重叠。本卡片可作为“可解释AI工具链”系列的新增条目，增量信息在于：为 Ex‑Fuzzy 这一模糊规则库增加了实用化的回归模块，并证明高斯分区优于梯形分区。

原始材料

• 英文标题：Interpretable Fuzzy Rule-Based Regression Extension for Ex-Fuzzy Library
• 英文关键词：fuzzy rule-based regression; Ex-Fuzzy library; Mamdani fuzzy inference; interpretability; Fuzzy C-Means clustering; target-aware partition
• 来源：arXiv:2607.20277v1（2026-07-22），将发表于 IEEE FUZZ-IEEE (WCCI 2026)
• 摘要文本（见用户提供）