基于旋转森林的分类器集成算法研究

摘要：

为提高决策树的集成分类精度,介绍了一种基于特征变换的旋转森林分类器集成算法,通过对数据属性集的随机分割,并在属性子集上对抽取的子样本数据进行主成分分析,以构造新的样本数据,达到增大基分类器差异性及提高预测准确率的目的.在Weka平台下,分别采用Bagging、 AdaBoost及旋转森林算法对剪枝与未剪枝的J48决策树分类算法进行集成的对比试验,以10次10折交叉验证的平均准确率为比较依据.结果表明旋转森林算法的预测精度优于其他两个算法,验证了旋转森林是一种有效的决策树分类器集成算法.

关键词：旋转森林、分类器集成、主成分分析、决策树

所属期刊栏目：51

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金71371091;辽宁省高等学校杰出青年学者成长计划LJQ2012027

在线出版日期：2015-12-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：149-154