基于双特征和松弛边界的随机森林进行异常点检测

• 作者: 王开军 胡淼
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 异常点检测 随机森林 双特征过滤 松弛边界
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 956-962
• 页数: 7页
• 分类号: TP311
• 字数: 7358字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2018091966

摘要

针对现有基于随机森林的异常检测算法性能不高的问题,提出一种结合双特征和松弛边界的随机森林算法用于异常点检测.首先,在只使用正常类数据构建随机森林的分类决策树过程中,在二叉决策树的每个节点里记录两个特征的取值范围(每个特征对应一个值域),以此双特征值域作为异常点判断的依据.然后,在进行异常检测时,当某样本不满足决策树节点中的双特征值域时,该样本被标记为候选异常类;否则,该样本进入决策树的下层树节点继续作特征值域的比较,若无下层节点则被标记为候选正常类.最后,由随机森林算法中的判别机制决定该样本的类别.在5个UCI数据集上进行的异常点检测实验结果表明,所提方法比现有的异常检测随机森林算法性能更好,其综合性能与孤立森林(iForest)和一类支持向量机(OCSVM)方法相当或更好,且稳定于较高水平.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王开军	福建师范大学数学与信息学院	22	137	6.0	11.0
5	胡淼	福建师范大学数学与信息学院	2	4	1.0	2.0