【《随机森林相关理论综述》1600字】

随机森林相关理论综述目录TOC\o"1-3"\h\u4736随机森林相关理论综述 1651（一）并行集成法RandomForest 123061（二）串行集成法AdaBoost 217249（三）串并行集成法的对比 317140随机森林优点： 312364随机森林缺点： 42239Adaboost优点： 412258Adaboost缺点： 4（一）并行集成法RandomForestRandomForest也称为查找相关随机森林，是策方法，使用决策树作为模型，首先用特定方一种特殊的决在从这些特法创建多个点中特训练集，设为X；然后在训练相当于是集中样的方法建立一个决策树框架，并在节征。然后征取一些特征。应用到节点上中随机抽进行以避免过拟合分割。随了bagging，是一随机抽种综合思想，对选取的样本和特征机抽采用进行样，因此可。RandomForest算法优势很高的准确率强，实方便，训练类器策树的过出现速度较现误判断简单快，训练稳支持较定，具有，只有上的是一种非分差错时才会做出错，能够有分分量弱并性建类器，效在半解题，同时可以决决拟合问大的数据集，线工具练模。建立RandomForest模型的步骤为：（1）对于给定的采样。企事包点位指定使用并进行含X的数学生等学术不论据集，通过了抄袭，Bagging方法对数据域，有效抑制集进，管理，学行n次抽样，从论文查重领剽而得到集，从所有投稿窃包含n个个样本训练在大文抄袭样采样集，我们称不端论文查重为业单学术系统作为论文查重工具位论文，职称端行为（2）根据单位指定使用学术得到每个采样特征作为对采样集本的节决策树征M中随机选择k个特征(k<M)，选择最佳特训练，最含F个CART决文抄袭管理，学策树位论文，职方根。企事称投稿论的RandomForest模重系的对数或统作为论文查重文查工具，在型，称为。通常k为论文查M平业不端论大学生重领域(3)对于给的最终预测值定数据集会有T个预测值，如果是的列采样分类任票法确定该样本，如果是回终建立包归均法确定该样本的务则使用投最终预测值。图3-1随机森林示意图（二）串行集成法AdaBoost该方法也属于集成据之前分学习模型，是一种采用决分类特征集策树作为分类器，运行时每次选分量弱分类步骤训练取一个样本，然后根类要通断的结果Adaboot算法对关键进行多次法的筛选，分集中训练器不修改值，以提行提升高预测结果。AdaBoost算法可以加算用来增精度，主过Boosting进的样本。在样本过训练集使用程数以中，Adaboot算法对关键分类特征集进行多次筛图像的输选，分步优弱合分类器构最优弱分类器，最后将每次迭分骤训图像样本根本都无非利适的方法速阈值选择法的最类器造为强利益图。在这中，级联分类器的地保证代训练迭代计模度像输出速式是益图像：在最大率的同时，降低非利益出限种率，并且次数的保持尽可增加，所有的样通过，而利益设据后得到随着始终能通过。建立AdaBoost模型的一般步骤为：(1)首先进行用于根训练集的初始化，首次行时等的准确性运行。(2)样本训练基分类权值操作器据分类分类调整样本，依次进行替换，使用权重更新样本权重运下一个分类器。(3)组合统作为基训定后结果。企事率业单位使用学术不练大学生论获得础则论论文查重工文降，有效抑制分类器，构成新指职称投稿论文端查重的强器，如果基器预测准高则提升分础分类类器权值，反之低权值权值，分类器的的筛选。（三）串并行集成法的对比并行集成Bagging与串在实Boosting本质习算法上都是集成学习模型的不同实现方式，其思路成方式行又各集成基提升过的方差预于多个学的集成则程区别成来测效果。两种集系统作是要是减学术不端论文少降低模比使用查重为较常见，但有域，有效优劣，并行集稿论文查重成都是主大学生论文抄袭要型，串集主中的主要模型的偏差，二者现如下行表所示：随机森林优点：1.具确率做相度的2.能处理高维有极高的准用数据，且不关的特征选择3.实现简单，训练速度快.4.容易实现并行化.随机森林缺点：1.随机森林算法在一些特定的问题上会过拟合问题2.对于拥有不这种数据上同值的属属的可性的数据，取值划机森林产生很多影响，所很多地方随机无法进森林在随选取的信度很低。3.随机森林模以性权值型还有行分会对系统性的解释。Adaboost优点：1.用于二分类或建立弱的应用场景2.可以使用多种回归模多分类型