本文考虑了将决策规则转化为决策树的逆转换问题，研究了通过算法描述给定输入的决策树计算路径的可行性，并探讨了构建决策树的复杂度。

May, 2023

这篇论文介绍了第一种针对二进制变量进行最佳决策树生成的实用算法，该算法结合了分析界限和数据结构等现代技术，在可扩展性、速度和最优性方面具有明显优势。

Apr, 2019

本文旨在自动从分类数据集中提取最能解释该数据集的决策规则集。为了高效解决该组合优化问题，我们引入了一种基于嵌套遗传算法的方法，并使用该方法从十个公共数据集中推导出解释。

Aug, 2022

本研究探讨了常见的决策树信息增益估算方法的偏差问题，并通过改进离散熵和微分熵的估算方法，提高了分类和回归预测性能。

Jun, 2012

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

该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

Nov, 2015

从训练的树集成中提取一组优化的规则，提供给用户一个简化、可解释的模型，保留了完整模型的大部分预测能力。

Jun, 2024

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

本文提出一种新颖的演化算法，结合可行解空间的探索和局部搜索，用于归纳分类树，以达到具有一般化能力的结构，其表现与最先进的方法相当，并适用于包含成千上万数据点的数据集。

May, 2023

本研究提出了一种使用梯度下降学习固定坐标轴的坚硬 Decision Trees 的新方法，该方法使用反向传播来联合优化所有树参数，相比于现有方法，我们的方法在二元分类基准上表现更好，并在多类任务中取得了竞争性的结果。

May, 2023