决策集和决策表是两种最容易解释的机器学习模型。鉴于对可解释机器学习决策的重新重视，这两种机器学习模型都变得越来越有吸引力，因为它们结合了小规模和清晰的可解释性。在本文中，我们将大小定义为这些基于规则的模型的SAT编码中的文字总数，而不是早期专注于规则数量的工作。在本文中，我们开发了一些方法来计算最小大小的“完美”决策集和决策列表，这些决策集和列表在训练数据上完全准确，并且利用现代SAT求解技术实现了最小大小。我们还提供了一种确定最优稀疏备选方案的新方法，该方法在大小和准确性之间进行了权衡。本文的实验表明，基于SAT的方法计算出的最优决策集与最佳启发式方法相当，但更简洁，因此更易于解释。我们对比了最优决策列表与最优决策集的大小和测试准确性，以及用于确定最优决策列表的其他最先进方法。最后，我们检查了由决策集和决策列表生成的平均解释的大小。
