DSM-Forest算法对计算机多类数据学习分类性能的影响

• 作者: 黄裕
• 来源期刊: 信息技术
• 学科: 工学
• 关键词: 半监督学习 多类分类 证据理论 协同森林
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 应用技术
• 页码范围: 148-150,154
• 页数: 4页
• 分类号: TP391
• 字数: 2306字
• 语种: 中文
• DOI: 10.13274/j.cnki.hdzj.2019.05.034

摘要

综合运用D-S证据理论和Forest算法,构建得到一种以证据理论为基础的多类半监督分类算法.先以随机方式对多类数据进行组合分类共得到两类数据,再对初始分类器进行训练;利用D-S证据理论来融合部分分类器对未标记样本的分类情况.研究结果表明:随着分类器的数量上升,分类准确率表现为持续升高的现象,但上升幅度不断减小,还会引起学习耗时的快速上升.进行实际半监督学习时,需综合考虑分类准确率与学习耗时来确定最终的分类器数量.当可信度阈值t增大后,可以获得更多的没有参与训练的未标记样本数量.在t逐渐增大的过程中,分类器的分类正确率表现为先上升后下降的现象,并在t等于0.8的条件下到达最大值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄裕		7	19	2.0	4.0