Do We Really Need Hundreds of Machine Learning Models in Industry?
Notice bibliographique
Résumé
Abstract Recent practice in tabular data-driven applications in the petroleum industry often follows the classic machine learning workflow, which selects the so-called "best" model based solely on accuracy. This accuracy-focused workflow involves exhaustive model comparison across hundreds of algorithms and tends to favor complex, hybrid or specific-tailored models. As a result, models that are well suited for field deployment, such as decision trees, are frequently overlooked despite offering lightweight structures and essential interpretability that support operator trust and practical use. In this regard, this study challenges the traditional paradigm by proposing a competitive oblique decision tree that strikes an optimal balance between accuracy, interpretability, and lightweight model structure. The proposed model reformulates decision tree training problem, which involves learning optimal nested IF–THEN prediction rules, as an unconstrained optimization task. A soft approximation is applied to enable differentiability. This reformulation enables effective optimization of all prediction rules through our gradient-based entire tree optimization approach. Extensive experiments on 26 tabular datasets show that our model achieves competitive predictive accuracy compared to 26 commonly used machine learning algorithms. Our tree with constant prediction, on regression datasets achieves an average improvement of 6.25% over traditional decision tree (CART), while our tree with linear prediction yields 7.22% improvement over CART and slightly outperforms random forest with a 0.1% gain. Beyond accuracy, our tree with linear prediction features a lightweight structure with only 4,650 parameters, several orders of magnitude smaller than random forest with 0.96 million, resulting in a 71 times speedup in prediction time. Interpretability is preserved through concise IF–THEN rules, with about 24.37≈ 21 prediction rules far fewer than the approximate 212.47 ≈ 5763 rules typically generated by CART. These performance advantages, combined with open-source availability, make our tree a strong alternative to hundreds of machine learning models and eliminates the need for tedious model selection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».