学习处方式ReLU网络
机器学习
2023-06-02 v1 应用统计
机器学习
摘要
我们研究利用观测数据从一组离散处理选项中学习最优策略的问题。我们提出一种分段线性神经网络模型，能够兼顾较强的处方性能与可解释性，称之为处方式ReLU网络（P-ReLU）。我们分析证明该模型（i）将输入空间划分为互不相交的多面体，属于同一划分的所有样本接受相同处理；（ii）可转换为具有超平面分裂的等价处方树以实现可解释性。我们展示了P-ReLU网络的灵活性，约束可通过轻微修改架构轻松融入。通过实验，我们验证了P-ReLU相对于竞争基准的更优处方精度。最后，我们使用真实世界数据集展示了从无约束和约束场景下训练得到的P-ReLU中提取的可解释处方树示例。
引用
@article{arxiv.2306.00651,
title = {Learning Prescriptive ReLU Networks},
author = {Wei Sun and Asterios Tsiourvas},
journal= {arXiv preprint arXiv:2306.00651},
year = {2023}
}
备注
17 pages, 6 figures, accepted at ICML 23