Classification vs Regression Models in a Decision Tree-Based Interactive Evolutionary Multi-objective Optimization Algorithm

Mahmoud Golabi

doi:10.1007/978-3-032-07998-5_8

2026-01-01

PRE

Mahmoud Golabi *

Seyed Mahdi Shavarani

Lhassane Idoumghar

DOI：10.1007/978-3-032-07998-5_8

原文链接

原文求助

摘要

En 中文

多目标优化问题涉及冲突目标，使得寻找单一最优解尤为困难。相反，其解决方案方法旨在产生大量高质量的非支配解，每个解代表不同目标间的不同权衡。进化多目标算法（EMOAs）被广泛用于生成这些多样化的非支配解集。然而，解的数量庞大使得决策过程复杂化，难以识别最理想的解。此外，随着目标数量的增加，生成多样化的非支配解表示变得越来越困难。交互式EMOAs利用决策者（DM）的偏好来引导搜索朝着更小的偏好非支配解子集甚至最偏好的解进行。然而，现有方法在真实条件下学习DM偏好的鲁棒性往往不足。最近，提出了使用决策树（DTs）来学习DM偏好的方法，以增强交互式算法的鲁棒性。由于不同DT模型在偏好学习中的性能尚未得到彻底分析，本研究旨在评估和比较DT分类和回归模型在偏好排序学习中的有效性，这是基于排序的交互式算法的关键要素。分析考虑了不同维度的问题和不同的偏好模型。结果表明，基于DT分类的偏好学习优于基于DT回归的方法。尽管如此，本研究讨论了对回归模型的改进，这可能提升其性能，为这些模型的潜力实现铺平道路。

Keyword:

Interactive Methods

Evolutionary Multi-Objective Algorithms

Preference Learning

DT Regression

DT Classification

Learning to Rank