Mar, 2024

一种新的基于直觉模糊决策树的随机森林集成

PDF
TL;DR本文提出了一种基于直觉模糊随机森林（IFRF）的新型随机森林集成方法，结合了模糊逻辑和模糊集合的灵活性、随机抽样和特征选择的随机性以及多个分类器系统的鲁棒性，对复杂条件下的分类问题具有竞争力和优越性能。该方法通过使用直觉模糊信息增益选择特征并考虑信息传递中的犹豫性，在集成学习中使用直觉模糊决策树（IFDT），并通过广泛实验验证其优势。本研究首次提出了基于直觉模糊理论的随机森林集成算法。
发现论文，激发创造
  • 不变随机森林：基于树的模型解决 OOD 泛化问题

    这篇论文介绍了一种针对决策树模型的 OutOf-Distribution（OOD）泛化的新颖有效解决方案，名为不变决策树（IDT）。IDT 通过在树的生长过程中对于不同环境下分割的不稳定 / 变化行为施加惩罚项来实现 OOD 泛化。通过理论结果和合成以及真实数据集的数值测试，证实了所提出的方法的优越性能，表明决策树模型的 OOD 泛化是绝对必要且应该更加关注。

    Dec, 2023

  • 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

  • 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

  • 随机森林中的节点

    本文将决策树和随机森林重新解释为生成模型，从而引入了一种能够处理缺失数据和异常检测的新型混合生成 - 判别模型族。通过在实验中与 K 近邻插补等处理缺失数据的方法进行比较，我们发现该模型能够自然地处理数据缺失和异常值检测。

    Jun, 2020

  • 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

  • FARF：一种公平且适应性的随机森林分类器

    该研究提出了一种灵活的基于集成学习的算法 FARF，在演化的在线设置中实现公平决策。

    Aug, 2021

  • FRRI：一种用于模糊 - 粗糙规则归纳的新算法

    模糊粗糙规则诱导（FRRI）是一种能够生成精确而又简短规则集的新型规则诱导算法，通过将模糊和粗糙集理论结合，提供了对机器学习中解释性问题的一种解决方案。

    Mar, 2024

  • 用 inTrees 解释树集合

    本文提供 inTrees 框架，通过提取、衡量、修剪和选择树集合中的规则，并计算频繁的变量交互来提高树集合的可解释性。inTrees 框架可以应用于分类和回归问题，并适用于多种树集合类型，例如随机森林、正则化随机森林和 Boosted Trees。

    Aug, 2014

  • 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

  • 直觉模糊广义学习系统：提高对噪声和异常值的鲁棒性

    通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

    Jul, 2023