如需要完整文档点击下方 "点击下载文档" 按钮

随机森林(random forest,RF)算法虽应用广泛且分类准确度很高,但在面对特征维度高且不平衡的数据时,算法分 类性能被严重削弱。 高维数据通常包含大量的无关和冗余的特征,针对这个问题,结合权重排序和递归特征筛选的思想，提出了一种改进的随机森林算法RW_RF (ReliefF & wrapper random forest)。 首先引用ReliefF算法对数据集的所有特征按 正负类分类能力赋予不同的权值,再递归地删除冗余的低权值特征,得到分类性能最佳的特征子集来构造随机森林;同时 改进ReliefF的抽样方式,以减轻不平衡数据对分类模型的影响。 实验结果显示,在特征数目很多的数据集中,改进算法的 各评价指标均高于原算法,证明提出的RW_RF算法有效精简了特征子集,减轻了冗余特征对模型分类精度的影响,同时 也证明了改进算法对处理不平衡数据起到了一定的效果。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于特征约简的随机森林改进算法研究》

将 完整文档 下载到本地，方便收藏和查阅

文件号：061532

点击下载文档