【标题】Building Decision Forest via Deep Reinforcement Learning

【作者团队】Guixuan Wen, Kaigui Wu

【发表日期】2022.4.1

【论文链接】https://arxiv.org/pdf/2204.00306.pdf

【推荐理由】基分类器为决策树的集成学习方法通​​常属于 bagging 或 boosting。然而，据研究所知，以前没有任何工作通过最大化长期回报来构建集成分类器。本文提出了一种称为 MA-H-SAC-DF 的决策森林构建方法，用于通过深度强化学习进行二元分类。首先，构建过程被建模为分散的部分可观察马尔可夫决策过程，一组协作代理共同构建所有基分类器。其次，基于父节点和当前位置的信息定义全局状态和局部观测。最后，将最先进的深度强化方法 Hybrid SAC 扩展到 CTDE 架构下的多智能体系统，以找到最优的决策林构建策略。实验表明，MA-H-SAC-DF在平衡数据集上的性能与随机森林、Adaboost和GBDT相同，在非平衡数据集上的性能优于它们。

内容中包含的图片若涉及版权问题，请及时与我们联系删除