一种基于相似性度量和动态加权投票的随机森林算法（英文）

摘要

随机森林模型易于理解,普适性强,常用于分类、预测等问题,但其采用无选择性集成和简单的少数服从多数投票原则进行最终结果判定,忽略了模型中各决策树之间的强弱差异,从而降低了模型的预测精度。针对该缺陷,提出了一种基于混淆矩阵的改进随机森林模型(Ramdom forest model based on confusion matrix, CM-RF)。在构建模型过程中通过相似性度量有选择性地构成决策树簇,并在最终投票环节使用动态加权投票融合方法进行结果输出。实验结果表明,该方法能减少低性能决策树对输出结果的影响,从而提升随机森林模型的正确率与泛化能力。