分岐条件の共有に基づく決定木アンサンブルの簡略化の有効性

抄録

ランダムフォレストをはじめとした決定木アンサンブルは、予測性能の高さなどの特徴により、様々な領域で利用される機械学習モデルである。決定木アンサンブルには、モデルサイズが大きいことや決定木と比較して解釈性が低いことなどが課題となっており、そのような課題を解決するために決定木アンサンブルを簡略化する手法について多くの研究がなされている。 本論文では、与えられたデータの決定パスの変化を少なく保ちながら決定木の分岐条件を共有することで決定木アンサンブルを簡略化する手法の有効性に関して、他の簡略化手法に加えて適用する効果を実験により示す。また、属性ごとの異なる分岐条件の数を直接制御する新しい分岐条件共有法を提案し、既存のクラスタリングを用いた手法に対する優位性を実験により確認する。