.png){kind=icon}
返回
Mixed Integer Linear Optimization Formulations for Learning Optimal Binary Classification Trees
.png){kind=icon}
PRE
AI
DOI：10.1287/ijoc.2023.0068.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
决策树是分类和回归的有力监督机器学习工具，吸引了众多学术研究人员和行业专业人士。特别是，决策树提供可解释性，这通常比其他高精度但相对不可解释的方法更受青睐。最优二叉分类树具有两种类型的顶点，可通过求解一个寻求（i）最大化正确分类数据点数量和（ii）最小化分支顶点数量的双目标优化问题获得。在本文中，我们提出两种用于设计最优二叉分类树的混合整数线性优化（MILO）模型：基于最大流的模型和基于最小割的模型，两者共享一个共同的基模型。这些模型通过基于流或割的连通性约束强制训练数据点通过连通可行路径，同时保持计算可行性，无需使用通常用于解决规模问题的分解技术。我们对目前文献中强度最高的基于流的MILO模型进行了理论改进，并在公开数据集上进行了实验，以证明我们模型的可扩展性、对传统分支定界法的优势以及在样本外测试性能上的稳健性。我们的代码和数据可在GitHub上获取。
Keyword:
optimal classification tree
mixed integer linear optimization
max-flow min-cut
fractional separation
期刊
I
IF:
2.1
论文数:
90
被引数:
3.2K
机构
引用论文
暂无论文信息