隨機森林算法處理不平衡數據的改進及其并行化.pdf

1、隨機森林(Random Forest)是用隨機的方式建立一個森林，森林里面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的.每一棵決策樹的建立，采用的是隨機有放回采樣的過程，然后使用投票的形式進行分類和預測.該算法很好的解決了單分類器在性能上的瓶頸，因此被廣泛應用在很多方面.當然，該算法也存在一些有待完善的地方，針對隨機森林算法在處理不平衡數據集時運行效率低下的問題，本文提出一種新的處理不平衡問題的方法，同時隨著計算量呈現指數

2、值的增長，如何提高預測速度和縮短運行時間，本文根據隨機森林算法在構建過程中的特點提出了并行化的思想.本文在詳細參考國內外文獻的基礎上，主要從兩個方面對隨機森林進行優(yōu)化.
　　一、對數據預處理的研究，提出一種新的數據預處理方法.
　　針對隨機森林算法在處理不平衡數據集方面的缺點和SMOTE算法在選取樣本時存在一定的盲目性和容易邊緣化的問題，本文結合K-means算法，在SMOTE算法的基礎上，提出一種K SMOTE算法.K S

3、MOTE的主要思想是首先利用K-means方法找出原始負類的中心點，再根據SMOTE得出“新增負類”，將原始數據集中的負類全部替換為“新增負類”，再次利用SMOTE得出“新數據集”.實驗結果表明該方法在隨機森林算法上分類性能得到提升.
　　二、基于Mapreduce框架的隨機森林算法并行化研究.
　　隨著現代社會數據量呈指數增長，運用隨機森林算法進行分類，不但需要花費大量的時間，而且分類性能也低下.在此背景下，本文根據隨機森