基于mBagging的随机森林.pdf

文档介绍：年 赣 南 师 范 大 学 学 报

2参数的模型分类效果不够理想的不足 通过
(EnsembleLearning) ,
训练多个基学****器并对结果加以集成 达到了提高模型的稳健性和分类精度的效果[1] 随机森林
, . (Random
[2]便是典型的集成案例 利用 [3]的组合方法 将多棵决策树组合成森林 随机森林具有
Forest,RF) , Bagging , ,
训练模型泛化能力强 对部分特征缺失的容忍度高 训练高度并行化而适用于大数据集等特点 使其得到了
、 、 ,
迅速的发展 应用领域包括医学 管理学 经济学等 在经济管理方面最突出的是对客户流失的预测[4] 而医
, 、 、 . ,
学更多的是对疾病的风险的预测以及病患者的易感性[5] 利用 对决策树的集成 随机森林提高了决
. Bagging ,
策树分类器的分类精度与稳健性[2] 但 在面对大数据挖掘时存在算法时间较长等不足[6-7]
, Bagging .