★ 1
深度分类树的移动时域近似分支归约法
针对决策树可解释性与可扩展性矛盾，论文提出移动时域近似分支归约方法，在连续特征大规模数据上训练近最优深度分类树。方法在根层用分支归约求解，子树用贪心启发式近似，并借鉴强化学习中的前瞻展开提升深层效率。实验显示其测试精度超过启发式基线，规模扩展性远优于全局最优求解器。
arXiv cs.LG32 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
针对决策树可解释性与可扩展性矛盾，论文提出移动时域近似分支归约方法，在连续特征大规模数据上训练近最优深度分类树。方法在根层用分支归约求解，子树用贪心启发式近似，并借鉴强化学习中的前瞻展开提升深层效率。实验显示其测试精度超过启发式基线，规模扩展性远优于全局最优求解器。
论文提出基于强化学习的“四度学习”方法，让系统自动挑选合适的分类算法，用于预测原发性胆汁性肝硬化等疾病。作者称该方法将所用分类算法的准确率从 63% 提升至 98%，核心创新在于用评分式强化学习自动增强学习过程。