Noticias sobre MBNDT

Este artículo propone MBNDT, que utiliza división de rutas múltiples diferenciables y poda adaptativa para entrenar árboles de decisión poco profundos, lo que permite que cada nodo interno aprenda umbrales ordenados y máscaras de rama, lo que reduce la pérdida de expresividad bajo el presupuesto de profundidad. En comparación con la toma de decisiones de umbral único de los árboles binarios tradicionales, la toma de decisiones de múltiples ramas a igual profundidad mejora significativamente la precisión y al mismo tiempo mantiene la interpretabilidad. Esto significa que el campo de la predicción tabular puede lograr una mayor precisión en caminos cortos, lo que puede promover la aplicación de modelos interpretables en escenarios con recursos limitados.