基于多峰遗传算法的旋转森林

作     者：徐喆 倪维晨 吉月辉 XU Zhe;NI Wei-chen;JI Yue-hui

作者机构：School of Electrical and Electronic EngineeringTianjin University of TechnologyTianjin 300384China Academic Affairs OfficeTianjin University of TechnologyTianjin 300384China Tianjin Key Laboratory for Control Theory&Applications in Complicated Industry SystemsTianjin 300384China 

出 版 物：《Journal of Central South University》 (中南大学学报（英文版）)

年 卷 期：2021年第28卷第6期

页      面：1747-1764页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081104[工学-模式识别与智能系统] 0806[工学-冶金工程] 0805[工学-材料科学与工程（可授工学、理学学位）] 0703[理学-化学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：Project(61603274)supported by the National Natural Science Foundation of China Project(2017KJ249)supported by the Research Project of Tianjin Municipal Education Commission,China。 

主　　题：集成学习 决策树 多峰优化 遗传算法 

摘      要：在机器学习中,随机性是集成学习成功的一个关键因素,可通过旋转特征空间将随机性注入到基于树的集成学习模型中。随机地旋转特征空间是一种常见的做法,因此,需要大量的树来保证集成模型的性能。该方法在理论上是可行的,但它需要大量的计算资源,因此,本文提出了基于多峰遗传算法的旋转森林(MGARF)算法。该方法是一种基于树的分类集成学习算法,利用树的特性通过特征旋转注入随机性,利用多峰优化方法选择一个更多样化、更准确的基学习机子集。通过在23个UCI分类数据集上与原始随机森林和随机旋转集成方法进行比较,评估了所提出的MGARF算法的分类精度。实验结果表明,MGARF方法的性能优于其他方法,而且MGARF模型中的基学习机的数量更少。