面向深度分类树的滚动时域近似分支削减方法

研究提出一种滚动时域近似分支削减方法，用于在包含连续特征的大规模数据集上训练近最优深度分类树。该方法在分层根-子树优化框架下结合分支削减求解与贪心启发式近似，并通过低成本滚动时域策略迭代提升模型精度。数值实验表明，该方法测试准确率超越现有启发式基线，在数据规模与树深度扩展性上显著优于全局最优求解器。