典型文献
基于PSO优化的叶节点加权随机森林算法
文献摘要：
随机森林算法(random forest)是属于集成学习的一种组合分类方法,作为一种重要的机器学习算法,随机森林算法普遍适用于大部分数据集.通过使用PSO算法优化并采用对叶节点加权的方式,可以改善传统随机森林算法的性能,提升其分类能力.利用PSO算法全局搜索能力强、收敛速度快的优势,根据决策树分类能力的不同对其进行优化,获得叶节点的投票权重,最终采取多棵决策树投票法得出随机森林的结果.实验证明,改进后PSO优化的随机森林算法的准确度可比传统的随机森林算法提升19.1％.
文献关键词：
粒子群算法;决策树;数据挖掘;加权随机森林;自适应优化
中图分类号：
作者姓名：
胡明祺;张森昶
作者机构：
郑州大学网络空间安全学院,郑州 450000
文献出处：
引用格式：
[1]胡明祺;张森昶-.基于PSO优化的叶节点加权随机森林算法)[J].现代计算机,2022(04):1-4
A类：
B类：
PSO,加权随机森林,随机森林算法,random,forest,集成学习,分类方法,机器学习算法,算法优化,全局搜索,搜索能力,收敛速度,决策树分类,同对,投票权,多棵,投票法,粒子群算法,自适应优化
AB值：
0.351463
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。
