损失最优分类树:一个广义框架和逻辑回归情形
该论文提出了一种基于流的 MIO 表达式,以用于学习最优二叉分类决策树,并可容纳相应的边际约束,从而使决策树设计变得透明和公平。作者通过实验证明,其相较同类现有 MIO 方法,在性能和计算速度方面有明显提升。
Mar, 2021
本文提出了一种混合整数规划的方法来构建特定大小的最优决策树,采用特殊结构的分类特征,考虑每个节点上基于特征子集的组合决策,并通过阈值处理处理数值特征,证明了在中等规模的训练集下,采用小型决策树可获得很高的准确率,我们使用现代求解器解决所提出的优化问题。
Dec, 2016
全球优化分类树方法通过建立新的混合整数规划方法,在多个线性和非线性指标的综合下,提供了优于传统方法的解析度和普适性。在延展性和实用性测试中,该方法在小型和中型数据集上相较于随机森林取得了显著的精度提升。
Jan, 2024
该研究提出了一种基于流的 MIP 公式,利用 Bender's 分解方法解决最优二元分类树问题,该方法比现有的 MIP 技术快 50 倍,并在标准基准数据集上将预测精度提高多达 13.8%。
Feb, 2020
基于混合整数规划技术,我们提出了一种学习鲁棒分类树的方法,通过问题转化和约束生成的解决方法,在公共可用数据集上展示了最差情况准确率提高了 12.48%,平均情况准确率提高了 4.85%。
Oct, 2023
本文提出了一种连续优化方法来构建精简的最佳分类树,基于斜裁剪,并旨在在整个树中使用较少的预测变量进行剪枝。该方法模拟了本地和全局稀疏性,证明了其对提高分类精度具有实用性。
Feb, 2020
本文提出了一种新的基于支持向量机和 1 - 范数分多元决策树(ODT)训练的混合整数规划(MIP)公式,利用线性规划(LP)数据选择方法选择数据样本,实现了对大数据集的有效训练,并在包含 245,000 个样本的数据集上验证了该方法优于现有的启发式方法和其他基于 MIP 的技术的效果。
Nov, 2020
本研究设计了一个 MIO(mixed integer optimization)框架,用于学习最优的分类树算法,以及与任意公平性约束进行扩展;提出了一个新的模型可解释性度量标准,称为决策复杂度;在流行数据集上,我们对公平性、可解释性及预测准确性之间的权衡进行了综合分析,证明了我们的方法在几乎完全平等的情况下仍能保持精度.
Jan, 2022
本研究探讨了使用非线性决策树模型学习具有被审查或区间值输出数据的回归函数的问题,提出了一种优化边界驱动的判别函数的树学习算法,并在多个数据集上进行了实证研究,证明其具有最先进的速度和预测精度。
Oct, 2017