10.3969/j.issn.1000-386x.2022.11.034
一种改进的随机森林Boost多标签文本分类算法
针对目前Boosting算法计算成本高、学习时间长的问题,提出一种改进的随机森林提升(RF-Boost)算法(IRF-Boost).对训练特征进行排序;在每个Boosting轮中,过滤并使用排序靠前特征的较小子集;根据权重选择一个特征构建新的弱假设,弱假设搜索空间的大小从k降低至1.实验检验并分析了信息增益、卡方、GS S系数、互信息、优势比、F1得分和准确度共7种特征排序方法.实验结果表明:在所评价的特征排序法中,互信息最适用于RF-Boost;IRF-Boost的效率优于RF-Boost及AdaBost.MH,即IRF-Boost是解决实践应用和专家系统中分类问题的较好选择.
Boosting算法、特征排序、多标签学习、文本分类、弱假设
39
TP391(计算技术、计算机技术)
国家自然科学基金;广东省前沿与关键技术创新项目;广东省普通高校重点项目;广州软件学院校级科研团队建设项目
2022-12-06（万方平台首次上网日期，不代表论文的发表时间）
共8页
215-221,303
