مقاله یادگیری جریان اصلی: یک کتابخانه برای مقیاس بندی یادگیری ماشینی مبتنی بر بهینه سازی اعداد صحیح ترکیبی

چکیده

We present BackboneLearn: an open-source software package and framework for scaling mixed-integer optimization (MIO) problems with indicator variables to high-dimensional problems. This optimization paradigm can naturally be used to formulate fundamental problems in interpretable supervised learning (e.g., sparse regression and decision trees), in unsupervised learning (e.g., clustering), and beyond; BackboneLearn solves the aforementioned problems faster than exact methods and with higher accuracy than commonly used heuristics. The package is built in Python and is user-friendly and easily extensible: users can directly implement a backbone algorithm for their MIO problem at hand. The source code of BackboneLearn is available on GitHub (link: https://github.com/chziakas/backbone_learn).

چکیده به فارسی (ترجمه ماشینی)

ما BackboneLearn را ارائه می دهیم: یک بسته نرم افزاری منبع باز و چارچوب برای مقیاس بندی مشکلات بهینه سازی مخلوط مخلوط (MIO) با متغیرهای شاخص به مشکلات با ابعاد بالا.این الگوی بهینه سازی به طور طبیعی می تواند برای تدوین مشکلات اساسی در یادگیری تحت نظارت قابل تفسیر (به عنوان مثال ، رگرسیون پراکنده و درختان تصمیم گیری) ، در یادگیری بدون نظارت (به عنوان مثال ، خوشه بندی) و فراتر از آن استفاده شود.Backbonelearn مشکلات فوق را سریعتر از روشهای دقیق و با دقت بالاتر از اکتشافی های متداول حل می کند.این بسته در پایتون ساخته شده است و کاربر پسند و به راحتی قابل گسترش است: کاربران می توانند به طور مستقیم یک الگوریتم ستون فقرات را برای مشکل MIO خود در دست داشته باشند.کد منبع Backbonelearn در GitHub (لینک: https://github.com/chziakas/backbone_learn) در دسترس است.