2025年10月29日
Paper Reading: Symbolic Regression Enhanced Decision Trees for Classification Tasks
摘要： 本文提出的 SREDT 模型融合了符号回归与决策树的优势，其核心思想是在决策树构建过程中，将传统的轴平行分割替换为通过符号回归发现的丰富数学表达式分割。SREDT 基于 CART 算法框架，但在每个节点分割时不再局限于单特征阈值比较，而是使用 GP 驱动的符号回归来探索特征间的复杂非线性关系，使 SREDT 能够发现那些需要多个传统分割才能近似表达的复杂决策边界。这种设计在保持决策树可解释性结构的同时，大幅提升模型的表达能力和效率。通过在 65 个数据集上的系统实验证明其在准确率、F1 分数和推理时间上均优于传统决策树和斜决策树，同时保持了高度可解释性。 阅读全文
posted @ 2025-10-29 19:32 乌漆WhiteMoon 阅读(34) 评论(0) 推荐(0)