随机森林可以产生高准确度的分类器，被广泛用于解决模式识别问题。然而，随机森林赋予每个决策树相同的权重，这在一定程度上降低了整个分类器的性能。为了解决这个问题，本文提出一种加权随机森林算法。该算法引入二次训练过程，提高分类正确率高的决策树投票权重，降低分类错误率高的决策树投票权重，从而提高整个分类器的分类能力。通过在不同数据集上的分类测试实验，证明了本文算法相比于传统的随机森林算法具有更强的分类性能。
2021-08-05 20:32:47
481KB
1
This dataset contains tree observations from four areas of the Roosevelt National Forest in Colorado.
该数据集包含科罗拉多州罗斯福国家森林四个地区的树木观测结果。
covtype.csv
2021-08-03 18:27:19
10.7MB
1
为了获取更加清晰、更多细节的轮廓特征，充分利用Kinect传感器获取的RGB-D图像信息，将结构化的随机森林作为分类器，提出一种更加精确的轮廓提取器。首先，将RGB-D图像的多种信息利用数学公式表示出来；然后利用BSD500数据集以及NYU深度数据集训练结构化的随机森林算法，核心是将给定节点的结构化标签映射到一组离散标签；最后，利用该随机森林算法对RGB-D图像信息进行分类，得到图像轮廓。针对细节不同的四种场景图像进行对比实验，结果表明，经改进后的算法得到的轮廓效果更加清晰、准确。
2021-08-03 13:35:50
1.29MB
1
主要介绍了ptyhon 随机森林算法及其优化详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2021-07-27 21:27:06
88KB
1