论文部分内容阅读
为减轻现有随机森林算法中重要度低的属性对分类结果的影响,提出一种基于模糊决策的随机森林算法(FRF)。根据随机森林中对决策树设置的属性重要度的值,舍去重要度较低的属性,把完全生长的决策树转化为模糊决策树。由叶子结点中各个类别被赋予的相应权重和类别分布情况,计算得到能够判定样本类别的概率;进行随机森林算法优化,提高分类正确率。实验结果表明了优化后的随机森林算法方法在UCI标准数据集上的有效性,分类正确率得到了提高。