基于特征选择的极限随机森林算法研究

作者：杨丰瑞; 罗思烦; 李前洋

来源：计算机应用研究, 2020, (09): 2625-2628+2633.

DOI：10.19734/j.issn.1001-3695.2019.04.0122

• 概率相关性
• 特征选择
• 特征子集
• 极限随机森林 probability correlation
• feature selection
• feature subset
• extreme random forest

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-ERF)。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-ERF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-ERF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。

• 单位
  通信与信息工程学院; 重庆邮电大学