一种基于决策森林的单调分类方法

摘要：

单调分类问题是特征与类别之间带有单调性约束的有序分类问题.对于符号数据的单调分类问题已有较好的方法,但对于数值数据,现有的方法分类精度和运行效率有限.提出一种基于决策森林的单调分类方法(monotonic classification method based on decision forest, MCDF),设计采样策略来构造决策树,可以保持数据子集与原数据集分布一致,并通过样本权重避免非单调数据的影响,在保持较高分类精度的同时有效提高了运行效率,同时这种策略可以自动确定决策森林中决策树的个数.在决策森林进行分类时,给出了决策冲突时的解决方法.提出的方法既可以处理符号数据,也可以处理数值数据.在人造数据集、UCI及真实数据集上的实验数据表明:该方法可以提高单调分类性能和运行效率,缩短分类规则的长度,解决数据集规模较大的单调分类问题.

关键词：单调分类、决策树、单调一致性、决策森林、集成学习

所属期刊栏目：54

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目61673249,61503229;山西省回国留学人员科研基金项目2016-004;山西省研究生教育创新项目2016BY003This work was supported by the National Natural Science Foundation of China61673249, 61503229;the Scientific Research Foundation for Returned Scholars of Shanxi Province2016-004;the Innovation Project of Shanxi Graduate Education2016BY003

在线出版日期：2017-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1477-1487