FS-CRF:基于特征切分与级联随机森林的异常点检测模型
大数据时代,攻击篡改、设备故障、人为造假等原因导致海量数据中潜藏着许多异常值.准确地检测出数据中的异常点,实现数据清洗,至关重要.文中提出一种结合特征切分与多层级联随机森林的异常点检测模型(outlier detection model based on Feature Segmentation and Cascaded Random Forest,FS-CRF).利用滑动窗口与随机森林对原始特征进行细粒度切分,生成类概率向量,用于训练多层级联的随机森林;由级联层中最后一层的随机森林投票决定样本的最终类别.仿真实验结果表明,新方法在基于多个UCI数据集进行的异常分类任务中均获得较高F1-measure评分;级联结构使新模型相比于经典的随机森林算法进一步提高了泛化能力;在高维数据集上所提方法比梯度提升决策树和XGBoost拥有更优的性能,且超参数较少,易于调优,具有更好的综合性能.
数据清洗、细粒度特征、级联随机森林、集成学习、异常点检测
47
TP301(计算技术、计算机技术)
河北省自然科学基金;教育部"云数融合科教创新"基金
2020-08-26（万方平台首次上网日期，不代表论文的发表时间）
共4页
185-188
