algorithm - 从函数自动构建决策树

（对不起，如果这个问题感觉有点头脑风暴）

我有一个F带有参数a_1, a_2...和b输出的函数x。该函数还由一系列p_1, p_2...参数定义，这些参数在我的工作过程中可能会发生变化。

F(a_1, a_2... , b) = x

鉴于a_1, a_2...我想构建一个决策树算法来找到x函数的最小化 b F。我想自动化这个决策树构建器，以适应F（通过p_1, p_2...）的变化。

自动化过程非常重要，因为实际上它a_x可以是任何东西（整数、连续数、离散参数）并且F是高度非线性的。

我本能的想法之一是构建假样本并在数据集上学习决策树，这将为我提供所需的决策树。然而，这似乎过于复杂，因为我可以访问产生这个问题的函数。

如果有人有任何想法或向我指出任何可以帮助我解决问题的方向，我们将不胜感激。

编辑：

我正在改变我的问题范围：

假设从最初的问题你得到F'映射a_1, a_2...到b(b是离散的) 的函数。是否会有一种算法试图通过具有as 节点F'的决策树来“简化”。a_1, a_2...

例如一个决策树会说if a_2 = "type2" and a_1 < 6 -> 3等等。我不是在寻找一个精确的分区，一个体面的估计就足够了。

我正在考虑使用 ML 算法使用F'. 这有意义吗？

标签： algorithmautomationdecision-tree

你的想法是有道理的，如果你想要快速和贪婪的近似F'，但你应该注意正确地实现它：

1）当您声明您的变量可能是分类和数字时，您应该考虑对变量进行分级的方式。对于高度非线性函数，广泛接受的线性分箱将不是最佳的。

2）由于决策树难以处理相关变量，一些预处理可能有助于提升问题。尝试从 PCA 开始。

至于使用真实数据或从原始函数生成它，我认为应该没有显着差异。如果您发现在某些“区域”中您的数据代表性不足，您可能希望在这里和那里增加初始训练数据集。