典型文献
基于袋外预测和扩展空间的随机森林改进算法
文献摘要：
随机森林在bootstrap的基础上通过对特征进行抽样构建决策树,以牺牲决策树准确性的方式来降低决策树间的相关性,从而提高预测的准确性.但在数据规模较大时,决策树间的相关性仍然较高,导致随机森林的性能表现不佳.为解决该问题,提出一种基于袋外预测的改进算法,通过提高决策树的准确性来提升随机森林的预测性能.将随机森林的袋外预测与原特征相结合并重新训练随机森林,以有效降低决策树的VC-dimension、经验风险、泛化风险并提高其准确性,最终提升随机森林的预测性能.然而,决策树准确性的提高会使决策树间的预测趋于相近,提升了决策树间的相关性从而影响随机森林最终的预测表现,为此,通过扩展空间算法为不同决策树生成不同的特征,从而降低决策树间的相关性而不显著降低决策树的准确性.实验结果表明,该算法在32个数据集上的平均准确率相对原始随机森林提高1.7％,在校正的paired t-test上,该方法在其中19个数据集上的预测性能显著优于原始随机森林.
文献关键词：
随机森林;袋外预测;扩展空间;相关性;决策树
中图分类号：
作者姓名：
常硕;张彦春
作者机构：
复旦大学 计算机科学技术学院,上海 200082;广州大学 网络空间先进技术研究院,广州 510006
文献出处：
引用格式：
[1]常硕;张彦春-.基于袋外预测和扩展空间的随机森林改进算法)[J].计算机工程,2022(03):1-9
A类：
袋外预测
B类：
扩展空间,改进算法,bootstrap,构建决策,决策树,来降,规模较,预测性能,新训,VC,dimension,高会,平均准确率,paired,test
AB值：
0.212536
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
