要點:

1. 斯坦福團隊在論文中提出了MAPTree算法，這是一種基于貝葉斯決策樹理論的決策樹歸納方法。

2. MAPTree可以評估貝葉斯決策樹的后驗分布，找到數據的最大后驗概率決策樹，從而改進決策樹的性能。

3. 實驗表明，MAPTree算法可以獲得比現有貪心決策樹算法更好的泛化性能，也能生成更簡潔的決策樹。

站長之家（ChinaZ.com）10月9日 消息:決策樹是一種廣泛使用的著名機器學習算法，可用于分類和回歸任務。斯坦福大學的研究人員在最新論文中提出了一種稱為MAPTree的決策樹歸納算法，這是基于貝葉斯決策樹理論的一種改進方法。

MAPTree的全稱是“最大后驗概率決策樹”。該方法的核心思想是評估貝葉斯決策樹后驗分布，根據給定的數據集找到后驗概率最大的決策樹結構。相比通常的貝葉斯決策樹采樣過程，MAPTree可以更高效地直接尋找概率最大的決策樹。

項目地址:https://github.com/ThrunGroup/maptree

論文中，研究人員通過建立與AND/OR搜索相關的理論聯系，得出了使用MAPTree進行最大后驗推理的相關算法。實驗結果顯示，MAPTree可以找到比基于貪心法的CART決策樹或隨機森林等當前最優(yōu)算法更好的決策樹。

具體來說，MAPTree在多個數據集上的分類精度和對數似然值指標上都優(yōu)于現有算法。當模型性能相當時，MAPTree學習到的決策樹也往往更加簡潔緊湊。這說明MAPTree可以獲得很好的泛化能力。

研究人員認為，MAPTree代表了決策樹技術發(fā)展的重要進步。它提供了一種更高效、更穩(wěn)健的決策樹學習方法，不僅可以帶來預測性能的提升，也使決策樹模型更可解釋。MAPTree有望在決策樹相關理論和實際應用方面都產生重要影響。

總體而言，這項斯坦福大學的研究成果為決策樹技術提供了一種嶄新的貝葉斯建模思路。MAPTree算法的提出改進了決策樹的歸納方法，使其擁有更強大的學習能力。這項突破不僅利于決策樹算法本身的發(fā)展，也為決策樹在數據挖掘等領域的應用帶來了新的契機。

（舉報）