[发明专利]融入数据同步校正的平衡决策森林方法

说明书

本发明公开了一种融入数据同步校正的平衡决策森林方法，包含以下步骤：生成目标样本；生成子空间；根据目标样本和相关子空间生成树木形成决策森林。本发明涉及计算机数据挖掘技术领域，有效地优化了现有的随机森林算法，提出了融入数据同步校正的平衡决策森林方法。发明所提供的融入数据同步校正的平衡决策森林方法，通过对不同多样性来源之间的有效同步，更加平衡且高效地解决了现有的随机森林算法在针对自身的多样性诱导过程中存在的精度缺失问题。该算法在算法精度方面存在明显优势，并且在复杂性和其他相关参数方面同样具有竞争力。

技术领域

本发明属于涉及计算机数据挖掘技术领域，具体涉及一种融入数据同步校正的平衡决策森林方法。

背景技术

数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程，也是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，作出归纳性的推理，从中挖掘出潜在的模式。

决策树算法是数据挖掘中的重要算法，其优势在于决策制定的过程是可见的，不需要长时间构造过程、描述简单，易于理解，分类速度快，决策树算法擅长处理非数值型数据，而且特别适合大规模的数据处理，但其缺点是很难基于多个变量组合发现规则。当前已知的算法包括随机森林及相当部分较为成熟的算法都存在一定的限制。例如，对于随机森林，大小f(|f|)是由|f|＝int(log₂|m|)+1决定的，该值主要决定个体树精度与树之间的平衡，而已被证实，|f|＝int(log₂|m|)+1对于低维和高维数据集的反应不均匀。因此，在不同的子空间中出现相同属性的概率变得更高。在这种情况下，树木之间的多样性可能会减少。另一方面，当|m|相当大时，子空间的随机选择属性数量并不可观。如果好属性的数量，即具备高分类能力的属性数量|m|不够大，那么在不同子空间积累足够好属性的机会就降低。在这种情况下，单株树的精度可能会降低。根据对现有算法的学习，不难发现，实现多样性通常采用两种方法：分步和引导采样，由于现有的算法都没有提出它们之间的任何同步，已知算法多存在一定的算法局限性。在此对现有算法的研究基础之上，针对其已知缺陷，为提高算法精度，对数据挖掘获得的结果进行优化，本发明提出了融入数据同步矫正的平衡决策森林算法。

发明内容

本发明针对数据挖掘进程中由于分布与引导采样不同步而导致的合奏精度缺失问题，提出了一种基于决策树算法的平衡决策森林方法，可有效优化数据挖掘成果，提高数据精度。

采用的技术方案如下：

一种融入数据同步校正的平衡决策森林方法，包含以下步骤：

生成目标样本；

生成子空间；

根据目标样本和相关子空间生成树木形成决策森林。

进一步地，生成目标样本的具体方法为：

生成x_i(1≤i≤|T|，x_i∈x)，其中，|T|为森林中的树木的数量；

根据x_i获取目标样本。

进一步地，生成x_i的具体方法为：

对于每个i，在[0.01，1.00]的均匀分布间隔通过随机获取得到对应的x_i。

进一步地，根据x_i获取目标样本的具体方法为：

对于x_i，根据公式计算出经过平衡处理后的唯一记录的数量；

对训练集D中的样本进行次随机选择生成包含个样本的第一训练集D_i^Unique；