改进的随机森林分类方法及其应用
随机森林算法（RF）是一种将决策分类树综合起来的预测及分类的算法，RF首先将众多分类树汇总起来，进而提高模型精度，由于随机森林利用的是Bootstrap方法进行抽样，进而产生许多个Bootstrap样本，建立新的分类模型，但是Bootstrap抽样方法也有它自身的缺点，降低了随机森林模型的效率和精确度。文章提出将改进的Bootstrap方法（BLB）运用到随机森林模型中，减少评估估计质量的计算成本，提高其分类预测的效率。
标签：随机森林；机器学习；BLB重抽样；数据挖掘
引言
在数据和信息急剧膨胀的今天，人们可以很容易的获取数据和信息，如何对这些数据做有效处理，从中挖掘出有价值的信息，在原有统计分析和数据挖掘工具的基础上，进行进一步优化研究是大数据处理领域的热点问题之一。分类分析一直是数据挖掘中的热点问题之一，但是由于单分类器自身的限制，有学者开始提出将众多分类器的分类结果通过某种方式整合在一起， 产生随机森林算法。 在大数据的背景之下，Ishwaran等人[1]之前验证过随机森林的一致性及收敛性，并认为随机森林在高维数据等方面[2]明显优于其余分类方法。Breiman将Bagging集成学习理论[3]和Kam的随机子空间方法[4]结合起来，并且对随机森林方法从原理及应用等方面进行了详细的论述。
1 改进的随机森林分类方法
1.1 BLB算法
BLB抽样方法[5]是在Bootstrap的基础上进行改进的重抽样方
1.2 改进的随机森林的算法步骤
（1）采用BLB重抽样方法重复抽取n个样本，将其作为一个训练集；（2）建立决n棵决策树，使用基尼指数作为进行评估，形成不需要剪枝的完整树；（3）将测试集的测试结果采用多数投票法（Majo
rity Voting），得票最多的类别就是分类结果。
2 改进的随机森林算法的应用
自然界中，探险者发现了三种肉眼分不太清的形态相似的植物，首先我们找到四个量度指标（W1，W2，W3，W4），然后通过运行改进的随机森林算法的程序进行种类识别。表1给出了具体数据。
本文来源：https://www.2haoxitong.net/k/doc/d8164ee628f90242a8956bec0975f46527d3a7b5.html
文档为doc格式