融合改进K近邻和随机森林的机器学习方法

发布时间：2018-01-20 14:45

本文关键词： 机器学习 K近邻随机森林支持向量机目标分类　出处：《计算机工程与设计》2017年08期 　论文类型：期刊论文

【摘要】：对K近邻和随机森林学习方法进行改进,提出一种融合的机器学习方法。通过计算待分类特征与训练库中各个类中心之间的距离,进行最近邻分类,增强K近邻学习方法的鲁棒性,提高其运算效率;通过随机划分将改进KNN分类器的多元输出转化为二元输出,用其构建随机森林中各个决策结点的决策函数,降低各决策结点数据的错分率,提高随机森林学习方法的目标分类正确率。实验结果表明,该方法对手写数字目标的分类正确率高于经典的K近邻、Adaboost、支持向量机和随机森林学习方法。
[Abstract]:The K-nearest neighbor and random forest learning methods are improved, and a fusion machine learning method is proposed. The nearest neighbor classification is carried out by calculating the distance between the feature to be classified and the distance between each class center in the training database. Enhance the robustness of K-nearest neighbor learning method and improve its computational efficiency; The multivariate output of the improved KNN classifier is transformed into a binary output by random partitioning, and the decision function of each decision node in the random forest is constructed to reduce the error rate of the data of each decision node. The experimental results show that the classification accuracy of this method is higher than that of classical K-nearest neighbor Adaboost. Support vector machine and stochastic forest learning method.
【作者单位】：成都师范学院计算机科学学院;中原工学院信息商务学院信息技术系;
【基金】：中国博士后科学基金面上基金项目(2014M560730) 四川省科技厅应用基础基金项目(2015JY0071) 成都师范学院高层次引进人才专项科研基金项目(YJRC2014-9);成都师范学院自然科学类培育基金项目(CS14ZD02)
【分类号】：TP181
【正文快照】： 0引言目前经典的机器学习[1-3]方法有多种,如:K近邻(K-nearest neighbor,KNN)学习方法是一种简单的机器学习方法,实质上是一种统计分类器,分类时首先计算待分类特征向量与数据库中每一个特征向量之间的距离,选择最邻近的k个类别,然后统计这k个最邻近类别中每类训练样本出现的

【相似文献】