智能AI
morning
深度分类树的移动地平线近似分支归约方法
摘要
arXiv:2609.38194v1 Announce Type: new Abstract: Despite the importance for interpretability, decision trees face severe scalability challenges. Existing global optimal methods are often limited by bin...
the
and
global
optimal
accuracy
method
for
trees
scalability
tree
2026-10-01
1 阅读
约1分钟阅读
Chenxuanyin Zou, Jiayang Ren, Qiangqiang Mao, Jing Liu, Marcus Lai, Yankai Cao
字号:
arXiv:2609.38194v1 公告类型：新 摘要：尽管可解释性很重要，但决策树面临着严峻的可扩展性挑战。现有的全局最优方法通常受到二元特征选择和浅树深度的限制，而传统的启发式方法经常牺牲预测准确性。为了克服这些限制，本文提出了一种移动水平近似分支和归约方法，在具有连续特征的大规模数据集上训练接近最优的深度分类树。该方法建立在分层根子树优化框架的基础上，通过分支和归约解决根级问题，同时使用贪婪启发式逼近诱导子树问题。尽管底层框架能够保证全局最优性，但近似（在强化学习环境中起到前瞻推出的作用）显着提高了更深层次结构的效率。然后采用低成本的移动范围策略来迭代地改进模型的准确性。大量的数值结果表明，我们的方法超出了现有启发式基线的测试精度，同时在数据集大小和树深度方面比全局最优求解器提供了显着更高的可扩展性。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱