La tecnica Adaptive MSD-Splitting migliora gli algoritmi ad albero decisionale per dati asimmetrici

Una nuova tecnica computazionale denominata Adaptive MSD-Splitting (AMSD) è stata introdotta per potenziare gli algoritmi ad albero decisionale per attributi numerici continui. Questo metodo innovativo supera le carenze del tradizionale MSD-Splitting, che si basa su media empirica e deviazione standard per ottimizzare le prestazioni dell'algoritmo C4.5. Mentre il MSD-Splitting convenzionale è efficace per distribuzioni simmetriche, le sue rigide soglie di una deviazione standard possono causare una notevole perdita di informazioni in dataset fortemente asimmetrici tipici dei settori biomedico e finanziario. L'AMSD regola il moltiplicatore della deviazione standard in base all'asimmetria delle caratteristiche, affinando gli intervalli nelle aree dense per preservare il potere discriminativo. Questo approccio è stato incorporato nei metodi ensemble, migliorando in particolare le Random Forests. I risultati si basano su ricerche precedenti in arXiv:2604.19722v1, evidenziando la sfida della discretizzazione degli attributi continui nell'induzione degli alberi decisionali con l'aumentare delle dimensioni dei dataset. L'annuncio è stato condiviso tramite un abstract cross-type sulla piattaforma arXiv, mostrando la natura tecnica di questo avanzamento.