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據，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)的質量控制手段難以滿足實際生產的需要。隨著新檢測技術的引進，容易獲取的是大量無標記數據，而對數據進行人工標記的代價很高。因此，將少量帶標記數據和大量無標記數據結合的半監(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據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，嘗試利用無標簽數據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據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)提出了一種基于數據剪輯的半監(jiān)督

3、隨機森林算法。將半監(jiān)督學習和數據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據剪輯操作。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。數據剪輯方法使用RemoveOnly方法進一步移除錯誤標記樣本。通過實驗證明，基于數據剪輯的半監(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