该研究开发了一种全新的动态算法,用于在标记示例任意插入和删除的情况下维护决策树,该算法保证每个决策树节点在任何时刻,使用的分裂具有接近最佳的 Gini 增益,在现实数据中的实验表明了该算法的有效性。
Dec, 2022
该研究的主要关键词有决策树学习、独立设置、单调函数、启发式算法和误差分析。该研究提供了一种基于启发式算法的决策树学习方法,可以在独立设置下优化误差,并取得了匹配近似下限。
Jun, 2020
本研究提出一种新型的增量决策树学习算法,Hoeffding Anytime Tree,与当前最先进的 Hoeffding Tree 相比,具有更高的统计效率。该算法具有极快的决策树生成速度,能够有效应对概念漂移,并在绝大多数 UCI 数据集上取得了显著的预测精度。
Feb, 2018
提出了两种新算法以及相应的下限,适用于树集合,展示了决策树和树集合分类训练数据集所需的切割数相比,随着树的数量增加,集合所需的切割数可能会指数级下降。
Jun, 2023
本文研究最优决策树,自适应 TSP 问题以及如何在度量空间中访问子集,并给出了多项式对数逼近算法。
Mar, 2010
本论文通过研究影响因素较大的输入变量,证明了一个关于平衡布尔函数复杂度下界的结论,并进一步应用于研究随机查询复杂性的下界。
Aug, 2005
我们考虑了在查询的条件下正确地进行 PAC 学习决策树的任务,通过使用新的简化证明以及决策树的新异或引理,我们证明了即使允许在最优大小的任意常数因子内,该任务仍然是 NP 难的。
Jul, 2024
我们提出了一种简单的决策树学习算法的泛化方法,称为 Top-k,它考虑了 k 个最佳属性作为可能的分割点,相较于贪婪算法和最优决策树算法,在准确率和可扩展性方面都取得了显著的优势。
Oct, 2023
决策树和决策规则系统在分类器、知识表示工具和算法方面发挥重要作用。本文研究了这两个模型之间的关系,考虑了将决策树转换为决策规则系统的逆转换问题,并提出了一种基于贪婪多项式时间算法,在给定属性值元组上模拟决策树操作的方法。
Jan, 2024
通过自适应查询变量值评估离散函数的策略的设计,该算法可以同时实现预期和最坏情况下的对数逼近,即使在计算费用较高的情况下,该算法也可以作为一种自动诊断和主动学习的解决方案。
Sep, 2013