用动态规划发现决策树的解释性与性能的最优解

为了找到最佳的决策树，本文提出了一种新的马尔可夫决策问题 (MDP) 的公式，允许用户在计算一个动态规划的同时选择最适合自身需求的决策树

该研究提出了MIO框架，用于学习最优的分类树算法并扩展到任意公平性约束。同时，提出了决策复杂度作为新的模型可解释性度量标准。该方法在公平性、可解释性和预测准确性之间取得了良好的平衡，即使在几乎完全平等的情况下也能保持精度。

MIO框架 公平性约束 决策复杂度 分类树算法 预测准确性
原文中文，约200字，阅读约需1分钟。发表于：。
阅读原文
分享给好友