Jul, 2023

ODTlearn：用于预测和处方的学习最佳决策树的软件包

PDF
TL;DRODTLearn 是一个开源 Python 软件包，提供了基于 MIO 框架的方法，用于高风险预测和建议任务中学习最优决策树。
odtlearnpython packagedecision treesoptimization frameworkclassification trees
发现论文，激发创造
  • 一种可扩展的基于 MIP 的学习最优多变量决策树方法

    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

  • OMLT: 优化与机器学习工具包

    本研究介绍了开源软件包 OMLT，该软件包整合了神经网络和梯度提升树代理模型，并展示了如何无缝地将 OMLT 与代数建模语言 Pyomo 融合，使其能够解决计算机科学和工程学领域的决策问题。

    Feb, 2022

  • 带有噪声结果的最优决策树

    通过近似算法研究具有噪声结果的最优决策树问题，以及在测试或假设中具有大量噪声结果时性能逐渐下降的情况。

    Dec, 2023

  • 可解释机器学习的决策树混合模型

    介绍了一种新的可解释机器学习方法，称为决策树混合模型 (MoDT)，该方法利用线性模型作为门控函数，利用决策树作为专家，适用于不能被单棵决策树满足的问题，并将问题分为子问题，使得每个决策都可理解和追踪到人类。 通过实验证明，MoDT 相对于单个决策树和复杂度相似的随机森林有更好的表现。

    Nov, 2022

  • 马尔可夫决策过程的最优决策树策略

    本文提出了一种优化方法，通过线性规划直接优化有限深度的决策树，使其在马尔科夫决策过程中达到最优性能，可用于解决强化学习策略可解释性的问题。通过实验证明，这种方法在性能和可解释性之间取得了平衡。

    Jan, 2023

  • 在线决策转换器

    本文提出了基于序列建模的决策转换器（ODT）算法，该算法在离线预训练和在线调整中融合了序列级熵正则化和自回归建模目标，以实现高效的探索和调整。实验证明，在 D4RL 基准测试中，ODT 在绝对性能方面与最先进的方法具有竞争力，在微调过程中展现出更显著的提高。

    Feb, 2022

  • 强优化分类树

    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

  • 最优动态治疗规则 SuperLearner：考虑因素、性能和应用

    本文介绍了 ODTR 超级学习算法在治疗效果异质性方面的应用，并通过模拟和实验研究证明了其能有效检测患者对不同治疗方式的反应，并针对实际情况提出了实施算法的注意事项和建议。

    Jan, 2021

  • 基于多变量布尔规则的最优分类树 (BooleanOCT)

    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

  • 学习最优公平分类树：可解释性、公平性和准确性之间的权衡

    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