GapTV：精确且可解释的低维回归与分类
机器学习
2017-02-27 v1
摘要
我们考虑在特征数量较少、模型可解释性为高优先级，且简单线性或加性模型无法提供足够性能的常见情况下估计回归函数的问题。为了解决这个问题，我们提出了 GapTV，这是一种在概念上与 CART 以及更近期的 CRISP 算法（一种用于可解释非线性回归的 SOTA 替代方法）相关的方法。GapTV 将特征空间划分为具有常数值的块，并通过凸优化例程联合拟合所有块的值。我们的方法是完全数据自适应的，因为它包含了自动调整所有超参数的高度鲁棒例程。我们将我们的方法与 CART 和 CRISP 进行了比较，并证明 GapTV 在准确性和可解释性之间找到了更好的权衡。
引用
@article{arxiv.1702.07405,
title = {GapTV: Accurate and Interpretable Low-Dimensional Regression and Classification},
author = {Wesley Tansey and James G. Scott},
journal= {arXiv preprint arXiv:1702.07405},
year = {2017}
}