2025年10月28日
Paper Reading: Bivariate Decision Trees: Smaller, Interpretable, More Accurate
摘要： 本文提出了双变量决策树模型，通过限制每个决策节点最多使用两个特征，在保持可解释性的同时显著提升了传统决策树的表达能力。为了学习双变量决策树结构，本文提出了两种算法：基于贪心递归划分的快速算法（双变量 CART）；以及基于交替优化的较慢但更好的算法（双变量 TAO）。基于贪心递归划分的双变量 CART 算法实现了快速训练，基于交替优化的双变量 TAO 算法则通过全局目标函数优化产生更优树结构。模型采用特征成本正则化机制，允许节点自适应选择零变量（剪枝）、单变量或双变量分裂类型，其中双变量分裂通过线性组合两个特征有效捕捉特征交互效应，避免了单变量树需要复杂锯齿状分割逼近决策边界的问题，同时克服了多变量树因使用过多特征而丧失可解释性的缺陷。 阅读全文
posted @ 2025-10-28 16:12 乌漆WhiteMoon 阅读(11) 评论(0) 推荐(0)