基于半監(jiān)督學習的隨機森林算法研究與應用.pdf

1、機器學習是人工智能的核心研究內(nèi)容之一，它包含三個重要的研究領域：監(jiān)督學習，半監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習需要利用帶標簽樣本進行訓練，以保證其泛化能力。而無監(jiān)督學習不需要利用帶標簽數(shù)據(jù)，但不能保證其模型準確率。隨著計算機應用技術的發(fā)展，企業(yè)信息化建設水平日益提高，傳統(tǒng)的質(zhì)量控制手段難以滿足實際生產(chǎn)的需要。隨著新檢測技術的引進，容易獲取的是大量無標記數(shù)據(jù)，而對數(shù)據(jù)進行人工標記的代價很高。因此，將少量帶標記數(shù)據(jù)和大量無標記數(shù)據(jù)結合的半監(jiān)督學

2、習成為研究熱點。
　　傳統(tǒng)的分類算法在少量標記數(shù)據(jù)上難以得到精確的分類模型，因此，難以在實際應用中發(fā)揮作用。本文將半監(jiān)督學習引入到傳統(tǒng)的分類算法中，嘗試利用無標簽數(shù)據(jù)具有的額外信息指導分類模型的建立，提高分類性能。通過實驗驗證將半監(jiān)督學習應用到近紅外光譜數(shù)據(jù)的分類中具有重要的理論和實際應用價值。不僅減少了人工標注樣本的成本和時間，而且有效提高分類精度。
　　本文的研究成果包括：
　　(1)提出了一種基于數(shù)據(jù)剪輯的半監(jiān)督

3、隨機森林算法。將半監(jiān)督學習和數(shù)據(jù)剪輯方法引入到傳統(tǒng)的隨機森林算法中，利用決策樹的對等分類器集合對無標簽樣本進行預測，選取置信度大于默認閾值的樣本加入到訓練集合中。為了防止錯誤標記的樣本影響分類器性能，對新標記樣本進行收斂性分析和數(shù)據(jù)剪輯操作。收斂性分析判斷新標記的樣本能夠使分類器性能逐漸提升。數(shù)據(jù)剪輯方法使用RemoveOnly方法進一步移除錯誤標記樣本。通過實驗證明，基于數(shù)據(jù)剪輯的半監(jiān)督隨機森林具有較好的泛化性能，解決了標記樣本不足時