Nieuwe methode verbetert schaalbaarheid van beslissingsbomen
Wetenschappers presenteren een benadering genaamd een moving-horizon approximate branch-and-reduce method om diepe classificatiebomen te trainen op grote datasets. Hiermee wordt geprobeerd het spanningsveld tussen interpretabiliteit en schaalbaarheid van beslissingsbomen te verkleinen.
Beslissingsbomen zijn geliefd binnen machine learning vanwege de transparantie en verklaarbaarheid van de resultaten, maar lopen vaak tegen schaalbaarheidsproblemen aan bij grote hoeveelheden data. Bestaande technieken moeten doorgaans concessies doen aan ofwel de nauwkeurigheid, ofwel de diepte van de boom.
De voorgestelde optimalisatiemethode richt zich op het trainen van complexere bomen met continue kenmerken op grotere schaal. Dit helpt om de voorspellende kracht van interpreteerbare modellen te vergroten voor complexere toepassingen.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel