MMNov, 2018

概率随机森林：一种用于嘈杂数据集的机器学习算法

PDF
TL;DR本研究修改了基于随机森林 (Random Forest，RF) 的算法，提出了一种新的基于概率随机森林 (Probabilistic Random Forest，PRF) 的机器学习算法，用于处理带有不确定性的天文数据，能够有效提高分类准确性以及应用于转移学习。
machine learningprobabilistic random forestuncertaintyastronomical dataclassification accuracy
发现论文，激发创造
  • Spark 云计算环境下大数据随机森林并行算法

    本文介绍了在 Apache Spark 平台上针对大数据的并行随机森林（PRF）算法，其使用数据并行和任务并行优化的混合方法进行优化，包括垂直数据分区、数据多路复用、维度约减、加权投票等技术，实验结果显示该算法在分类准确性、性能、可扩展性等方面具有卓越的优势。

    Oct, 2018

  • 使用深度生成森林进行鲁棒分类

    本文介绍了一种新的深度概率模型，叫作 “生成森林”，这种模型将随机森林扩展到了生成模型，可以表示整个特征空间上的联合分布，解决了判别模型缺乏处理预测不确定性方法的问题，并且可以测量每个预测的稳健性和检测分布外的样本。

    Jul, 2020

  • 利用稀疏嘈杂的时间序列数据进行机器学习分类变量星

    本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

    Jan, 2011

  • 随机森林缺失数据算法

    使用不同缺失数据机制的大量数据集，评估了各种 RF 算法的表现，发现 RF 插补通常表现良好，表现随相关性的增加而改善，在中度到高级缺失的情况下表现良好甚至在非随机缺失数据的情况下也有良好表现。

    Jan, 2017

  • 机器学习模型中用于识别分布外数据的减少鲁棒性随机切割森林

    本文介绍了一种使用 Reduced Robust Random Cut Forest (RRRCF) 数据结构的新方法来检测数据集是否处于训练分布，该方法在低维和高维数据的实证结果表明可以有效地进行数据分布的推断，而且该模型易于训练，并且不需要进行困难的超参数调整，用例包括测试和验证结果。

    Jun, 2022

  • 随机森林指南

    该论文综述了随机森林算法的理论和方法发展，重点讨论了参数选择、重采样机制和变量重要性测量等数学因素驱动该算法，并强调了其在分类、回归和变量重要性测量等方面的应用。

    Nov, 2015

  • 随机森林和核方法

    本文探讨随机森林和核方法的联系，提出了基于随机森林的核方法 KeRF，KeRF 比随机森林更易于解释和分析，并通过实验证明了 KeRF 估计比随机森林估计更具优势。

    Feb, 2015

  • 大数据的随机森林

    本文主要关注于基于分类问题的随机森林模型处理大数据问题的现有方案，并尝试了五个变体实验，探究它们的相对性能和局限性。

    Nov, 2015

  • 随机森林模型分析

    研究了随机森林模型的统计性质，证明其是一致的，适应于稀疏数据，收敛速度只与有效特征的数量有关。

    May, 2010

  • RRF 包中的 Guided Random Forest

    该论文提出了引导随机森林（GRF）来进行特征选择，GRF 可以独立地构建树并可并行实现，与 GRRF 相比，GRF 选择的特征更多，但分类精度更高，实验证明，在 10 个高维基因数据集上 RF 在特征选择后的应用优于 RF 在所有特征上的应用。

    Jun, 2013