基于新型不纯度度量的代价敏感随机森林分类器

被引：23

作者：

师彦文

王宏杰

机构：

[1] 西南石油大学计算机科学学院

来源：

计算机科学 | 2017年 / 44(S2)卷 / S2期

关键词：

代价敏感学习; 随机森林; 不纯度度量; 分类回归树(CART); 不平衡数据;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

针对不平衡数据集的有效分类问题,提出一种结合代价敏感学习和随机森林算法的分类器。首先提出了一种新型不纯度度量,该度量不仅考虑了决策树的总代价,还考虑了同一节点对于不同样本的代价差异;其次,执行随机森林算法,对数据集作K次抽样,构建K个基础分类器;然后,基于提出的不纯度度量,通过分类回归树(CART)算法来构建决策树,从而形成决策树森林;最后,随机森林通过投票机制做出数据分类决策。在UCI数据库上进行实验,与传统随机森林和现有的代价敏感随机森林分类器相比,该分类器在分类精度、AUC面积和Kappa系数这3种性能度量上都具有良好的表现。

引用

页码：98 / 101

页数：4

共 10 条

[1]

支持向量数据描述与支持向量机及其应用 [D].

黄光鑫 .

电子科技大学,

2011

[2]

一种新的多分类代价敏感算法 [J].

邓少军 ;

冯少荣 ;

林子雨 .

厦门大学学报(自然科学版), 2017, 56 (02) :231-236

[3]

模糊决策粗糙集代价敏感属性约简研究 [J].

刘偲 ;

秦亮曦 .

计算机科学, 2016, 43(S2) (S2) :67-72

[4]

集成随机森林的分类模型 [J].

邓生雄 ;

雒江涛 ;

刘勇 ;

王小平 ;

杨军超 .

计算机应用研究, 2015, 32 (06) :1621-1624+1629

[5]

一种基于NNIA多目标优化的代价敏感决策树构建方法 [J].

赵士伟 ;

卓力 ;

王素玉 ;

沈兰荪 .

电子学报, 2011, 39 (10) :2348-2352+2396

[6]

支持在线学习的增量式极端随机森林分类器 [J].

王爱平 ;

万国伟 ;

程志全 ;

李思昆 .

软件学报, 2011, 22 (09) :2059-2074

[7]

Cost-sensitive feature selection using random forest: Selecting low-cost subsets of informative features.[J].Qifeng Zhou;Hao Zhou;Tao Li.Knowledge-Based Systems.2016,

[8]

Example-dependent cost-sensitive decision trees [J].

Bahnsen, Alejandro Correa ;

Aouada, Djamila ;

Ottersten, Bjoern .

EXPERT SYSTEMS WITH APPLICATIONS, 2015, 42 (19) :6609-6619

[9]

Analysis of preprocessing vs. cost-sensitive learning for imbalanced classification. Open problems on intrinsic data characteristics.[J].Victoria López;Alberto Fernández;Jose G. Moreno-Torres;Francisco Herrera.Expert Systems With Applications.2011, 7

[10]

基于决策树的组合分类器的构建和部署 [D].

胡记兵 .

浙江工业大学,

2008

← 1 →