基于半監(jiān)督學(xué)習(xí)的隨機(jī)森林算法研究與應(yīng)用.pdf

1、機(jī)器學(xué)習(xí)是人工智能的核心研究內(nèi)容之一，它包含三個(gè)重要的研究領(lǐng)域：監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)需要利用帶標(biāo)簽樣本進(jìn)行訓(xùn)練，以保證其泛化能力。而無監(jiān)督學(xué)習(xí)不需要利用帶標(biāo)簽數(shù)據(jù)，但不能保證其模型準(zhǔn)確率。隨著計(jì)算機(jī)應(yīng)用技術(shù)的發(fā)展，企業(yè)信息化建設(shè)水平日益提高，傳統(tǒng)的質(zhì)量控制手段難以滿足實(shí)際生產(chǎn)的需要。隨著新檢測(cè)技術(shù)的引進(jìn)，容易獲取的是大量無標(biāo)記數(shù)據(jù)，而對(duì)數(shù)據(jù)進(jìn)行人工標(biāo)記的代價(jià)很高。因此，將少量帶標(biāo)記數(shù)據(jù)和大量無標(biāo)記數(shù)據(jù)結(jié)合的半監(jiān)督學(xué)

2、習(xí)成為研究熱點(diǎn)。
　　傳統(tǒng)的分類算法在少量標(biāo)記數(shù)據(jù)上難以得到精確的分類模型，因此，難以在實(shí)際應(yīng)用中發(fā)揮作用。本文將半監(jiān)督學(xué)習(xí)引入到傳統(tǒng)的分類算法中，嘗試?yán)脽o標(biāo)簽數(shù)據(jù)具有的額外信息指導(dǎo)分類模型的建立，提高分類性能。通過實(shí)驗(yàn)驗(yàn)證將半監(jiān)督學(xué)習(xí)應(yīng)用到近紅外光譜數(shù)據(jù)的分類中具有重要的理論和實(shí)際應(yīng)用價(jià)值。不僅減少了人工標(biāo)注樣本的成本和時(shí)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(jī)森林算法。將半監(jiān)督學(xué)習(xí)和數(shù)據(jù)剪輯方法引入到傳統(tǒng)的隨機(jī)森林算法中，利用決策樹的對(duì)等分類器集合對(duì)無標(biāo)簽樣本進(jìn)行預(yù)測(cè)，選取置信度大于默認(rèn)閾值的樣本加入到訓(xùn)練集合中。為了防止錯(cuò)誤標(biāo)記的樣本影響分類器性能，對(duì)新標(biāo)記樣本進(jìn)行收斂性分析和數(shù)據(jù)剪輯操作。收斂性分析判斷新標(biāo)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(jìn)一步移除錯(cuò)誤標(biāo)記樣本。通過實(shí)驗(yàn)證明，基于數(shù)據(jù)剪輯的半監(jiān)督隨機(jī)森林具有較好的泛化性能，解決了標(biāo)記樣本不足時(shí)