Born-Again Tree Ensembles
Born-Again Tree Ensembles
复制标题
重生树合奏
DOI：
--
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Maximilian Schiffer
中科院分区：
文献类型：
--
作者：
Thibaut Vidal;Toni Pacheco;Maximilian Schiffer
机器学习算法在金融、医学和刑事司法中的应用可以深刻地影响人类的生活。因此，对可解释机器学习的研究迅速发展，试图更好地控制和修复可能的错误和偏见来源。树集成在不同的领域提供了良好的预测质量，但同时使用多棵树降低了集成的可解释性。在此背景下，我们研究重生树集成，即构建最小大小的单个决策树的过程，该决策树在其整个特征空间中再现与给定树集成完全相同的行为。为了找到这样的树，我们开发了一种基于动态规划的算法，该算法利用复杂的修剪和边界规则来减少递归调用的数量。该算法为许多实际感兴趣的数据集生成最佳再生树，导致分类器通常更简单，更易于解释，而没有任何其他形式的妥协。
The use of machine learning algorithms in finance, medicine, and criminal justice can deeply impact human lives. As a consequence, research into interpretable machine learning has rapidly grown in an attempt to better control and fix possible sources of mistakes and biases. Tree ensembles offer a good prediction quality in various domains, but the concurrent use of multiple trees reduces the interpretability of the ensemble. Against this background, we study born-again tree ensembles, i.e., the process of constructing a single decision tree of minimum size that reproduces the exact same behavior as a given tree ensemble in its entire feature space. To find such a tree, we develop a dynamic-programming based algorithm that exploits sophisticated pruning and bounding rules to reduce the number of recursive calls. This algorithm generates optimal born-again trees for many datasets of practical interest, leading to classifiers which are typically simpler and more interpretable without any other form of compromise.
影响因子：
0.8
作者：
Zhang H;Wang M
通讯作者：
Wang M
DOI：
10.1145/3412815.3416893
发表时间：
2016-11
期刊：
Proceedings of the 2020 ACM-IMS on Foundations of Data Science Conference
影响因子：
--
作者：
S. Tan;Matvey Soloviev;G. Hooker;M. Wells
通讯作者：
S. Tan;Matvey Soloviev;G. Hooker;M. Wells
DOI：
10.1073/pnas.1900654116
发表时间：
2019-10-29
影响因子：
11.1
作者：
Murdoch, W. James;Singh, Chandan;Yu, Bin
通讯作者：
Yu, Bin