[发明专利]一种利用宽度神经网络改进的随机森林集成方法

摘要

本发明公开了一种利用宽度神经网络改进的随机森林集成方法，适用于机器学习领域。主要包括模型设计和模型训练两部分，模型设计部分主要包括特征映射层和增强层的设计、输出权重的设计两部分，通过设计随机森林和完全随机森林组成的神经网络节点，以自适应调节模型的宽度，通过节点的平均准确率得到本地权重计算输出权重，最后求解最终输出向量。其自动化程度高，通过训练自适应决定模型大小，理论分析容易、可解释性以及并行化能力强。

主权项

1.一种基于特征映射层以及增强层结构的随机森林集成方法，其特征在于：它包括模型设计和模型训练两部分；其中模型设计部分主要包括特征映射层和增强层的设计、输出权重的设计两部分，通过设计随机森林和完全随机森林组成的神经网络节点，以自适应调节模型的宽度，通过节点的平均准确率得到本地权重，根据本地权重计算输出权重，最后求解最终输出向量；模型训练部分步骤为，首先将每个原始输入数据处理得到输入特征向量，其中对于具有空间联系的原始输入数据使用多粒度扫描进行处理得到输入特征向量，将各个特征间不存在空间关系的一维输入数据作为输入特征向量，将处理得到的一维输入数据特征向量作为一个样本生成包含n个节点的特征映射层，求解每个特征映射层节点的本地权重，将本地权重低于一维输入数据节点重新生成随机森林，k为类别数量，；然后将每个样本经过特征映射层得到的输出同原始特征向量合并作为一个样本生成包含m个节点的增强层，求解每个增强层节点的本地权重，将本地权重低于1/k的节点重新生成随机森林，通过本地权重求解每个节点的输出权重；通过上述步骤增加增强层节点，更新输出权重；在上述前向运算训练过程中引入的淘汰制和输出权重快速更新方法，使得模型可以快速训练。