A moving-horizon differential evolution algorithm for training deep classification trees on large datasets

doi:10.1016/j.eswa.2026.133846

A moving-horizon differential evolution algorithm for training deep classification trees on large datasets

2026-08-01

0

PRE

AI

J

Jiayang Ren

V

Valentín Osuna-Enciso

Y

Yankai Cao *

DOI：10.1016/j.eswa.2026.133846

原文链接

原文求助

摘要

En 中文

决策树因其if-then规则可被领域专家审查，被广泛应用于可解释专家系统。然而，在大型连续特征数据集上训练精确的决策树仍然困难。贪心方法如CART具有良好的扩展性，但仅局部优化每个分割，而精确最优树方法仅适用于相对小型数据集或浅层树。现有的进化方法更为灵活，但随着树深度的增加，全树搜索变得愈发困难。这促使需要一种能提升深树和大数据集上决策树精度的优化方法。本文提出适用于最优分类树的移动视界差分进化算法（MH-DEOCT）。该方法结合了三个组件：移动视界分解将全树优化替换为一系列可处理的子树问题，离散树解码策略消除了冗余阈值搜索，以及利用单指令多数据并行加速的GPU加速适应度评估。在65个基准数据集上的广泛实验表明，MH-DEOCT能在包含最多6000万个样本的数据集上训练深度为8的树，平均测试准确率比CART提高2.73%，在中等和大型数据集上超过DL8.5 2.27%。在6000万样本的穿戴式压力检测数据集上，深度为8时测试准确率比CART提高5.64%。总体而言，这些结果证明MH-DEOCT在保持最终树透明性的同时，提升了大型数据集上深决策树的预测精度。

Keyword:

Decision tree

Classification

Scalability

Optimization

GPU

A moving-horizon differential evolution algorithm for training deep classification trees on large datasets

摘要

期刊

机构

引用论文