一种模型决策森林算法*

摘要：

随机森林(RF)具有抗噪能力强,预测准确率高,能够处理高维数据等优点,因此在机器学习领域得到了广泛的应用.模型决策树(MDT)是一种加速的决策树算法,虽然能够提高决策树算法的训练效率,但是随着非纯伪叶结点规模的增大,模型决策树的精度也在下降.针对上述问题,提出了一种模型决策森林算法(MDF)以提高模型决策树的分类精度.MDF算法将MDT作为基分类器,利用随机森林的思想,生成多棵模型决策树.算法首先通过旋转矩阵得到不同的样本子集,然后在这些样本子集上训练出多棵不同的模型决策树,再将这些树通过投票的方式进行集成,最后根据得到的模型决策森林给出分类结果.在标准数据集上的实验结果表明,提出的模型决策森林在分类精度上明显优于模型决策树算法,并且MDF在树的数量较少时也能取到不错的精度,避免了因树的数量增加时间复杂度增高的问题.

关键词：基尼指数、模型决策森林(MDF)、模型决策树(MDT)、随机森林(RF)

所属期刊栏目：14

分类号：TP18(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61673249, 61703252, U1805263 国家自然科学基金

在线出版日期：2020-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：108-116