基于特征选择的极限随机森林算法研究

• 作者: 李前洋 杨丰瑞 罗思烦
• 来源期刊: 计算机应用研究
• 关键词: 概率相关性 特征选择 特征子集 极限随机森林
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2625-2628,2633
• 页数: 5页
• 分类号: TP181
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.04.0122

摘要

高维复杂数据处理是数据挖掘领域中的关键问题,针对现有特征选择分类算法存在的预测精确度失衡、整体分类效率低下等问题,提出了一种结合概率相关性和极限随机森林的特征选择分类算法(P-E RF).该算法使用充分考虑特征之间相关性与P值结合的特征选择方式,避免了树节点分裂过程中造成的冗余性问题;并以随机树为基分类器、极限随机森林为整体框架,使P-E RF算法获得了更高的精准度和更好的泛化误差.实验结果表明,P-E RF算法相较于随机森林算法、极限随机森林算法,在数据集分类精度与整体性方面均得到良好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨丰瑞		83	373	11.0	15.0
2	李前洋		3	0	0.0	0.0
3	罗思烦		3	0	0.0	0.0