为分类数据学习可证明最优的规则列表

我们提出了一种定制离散优化技术的设计与实现，用于在分类特征空间上构建规则列表。我们的算法根据正则化经验风险生成具有最优训练性能的规则列表，并附有最优性证书。通过利用算法边界、高效数据结构和计算重用，我们在时间上实现了数个数量级的加速，并大幅降低了内存消耗。我们证明我们的方法能在数秒内对实际问题生成最优规则列表。我们的结果表明，可以构建最优的稀疏规则列表，其在佛罗里达州布劳沃德县数据上的准确度与COMPAS专有风险预测工具相近，但完全可解释。该框架是CART及其他决策树方法用于可解释建模的新替代方案。