decision trees

concept · 首次出现 2026-07-29 · 最近出现 2026-10-30 · 累计提及 5

综述

决策树是一种基础的机器学习模型,通过对特征进行一系列 if-else 式的分裂判断来完成分类或回归任务。凭借结构直观、可解释性强,它在医疗、金融等对可解释性要求高的领域长期占有一席之地,也是随机森林、梯度提升树等集成方法的基石。

决策树近期研究进展

  • 从点预测到不确定性表达。论文《Beyond Point Prediction: Artificial Representative Trees with Uncertainty》(https://arxiv.org/abs/2609.24528v1) 提出用“人工代表树”替代单棵点预测树,让树状模型在给出预测的同时表达不确定性,回应了传统决策树只能输出确定值、难以刻画预测置信度的局限。
  • 因果推断中的树方法。《Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias》(https://arxiv.org/abs/2609.16971v1) 将决策树思想引入因果森林,用于刻画处理效应的异质性,同时讨论了其中的偏差问题,延续了树模型在可解释因果分析上的探索。
  • 可解释性与最优性的权衡。dtControl2+ε (https://arxiv.org/abs/2607.25925v1) 研究在马尔可夫决策过程 (MDP) 策略压缩中用决策树换取可解释性,明确以少量性能损失换取更小、更易读的树结构,这一“ optimality–explainability 权衡”正成为树方法应用的常见考量。
  • 当前焦点与观察点

    从近期的 arXiv 论文看,决策树相关研究的重心已经从单纯的预测精度转向三个方向:一是不确定性量化,让树输出可信度而非单一数值;二是因果推断,把树的分裂结构用于异质性处理效应估计;三是可控的复杂度压缩,在策略表示等场景中主动牺牲部分最优性以换取人类可读性。

    同时,决策树也是理论研究的参照物——例如 CNF 短点列表与常数深度电路下界的工作 (https://arxiv.org/abs/2610.27127v1) 涉及树状/点状表示的复杂性,而基准生成类研究 (https://arxiv.org/abs/2610.38687v1) 则从评估角度服务于推理类模型。值得注意的是,在大语言模型主导的当下,决策树并未被边缘化:恰恰因为黑箱模型普及,其可解释性价值反而在监管敏感行业和策略压缩等场景中重新受到关注。后续值得观察的是,树模型与不确定性估计、因果推断的结合能否形成标准化的工具链,以及可解释性—性能权衡是否有被广泛接受的量化指标。

    相关报道

    5 条在档