我们提出了一种名为基于规则的表示学习器（RRL）的新分类器，通过优化离散模型来自动学习可解释的非模糊规则，提高性能。RRL在小型和大型数据集上表现更好，可以根据需求调整准确性和复杂性的权衡。

我们提出了一种名为基于规则的表示学习器（RRL）的新分类器，通过优化离散模型来自动学习可解释的非模糊规则，提高性能。RRL在小型和大型数据集上表现更好，可以根据需求调整准确性和复杂性的权衡。

本文提出了一种基于RRL的内在可解释模型，通过构建三个类似于神经网络的子网络，每个子网络均可等效转换为一组规则，并通过学习二进制权重的技巧有效地训练。相比可解释的决策树在性能上更优，接近于其他黑匣子，对金融机构和借款人具有实际意义。同时，本模型还用于测试后评方法生成的解释的准确性，结果表明后评方法不总是可靠的。