通过混合整数优化实现评分系统的缓冲AUC最大化
机器学习
2026-01-14 v2 最优化与控制
应用统计
摘要
评分系统是一种线性分类器，由少量解释变量组成，每个变量被赋予一个小整数系数。该系统具有高度可解释性，允许通过简单的手工计算进行预测，无需计算器。先前的一些研究已使用混合整数优化（MIO）技术来开发用于二分类的评分系统；然而，尽管AUC（即接收者操作特征曲线下面积）被认为是评分系统的重要评估指标，但它们并未专注于直接最大化AUC。我们的目标是建立一个有效的MIO框架，用于构建直接最大化缓冲AUC（bAUC）的评分系统，bAUC是AUC最紧的凹下界。我们的优化模型被表述为一个混合整数线性优化（MILO）问题，该问题在限制评分系统中问题数量的组稀疏性约束下最大化bAUC。使用公开可用的真实世界数据集进行的计算实验表明，与基于正则化和逐步回归的基线方法相比，我们的MILO方法能够构建具有更优AUC值的评分系统。这项研究为开发高度可解释的分类模型推进了MIO技术。
引用
@article{arxiv.2601.05544,
title = {Buffered AUC maximization for scoring systems via mixed-integer optimization},
author = {Moe Shiina and Shunnosuke Ikeda and Yuichi Takano},
journal= {arXiv preprint arXiv:2601.05544},
year = {2026}
}