文献类型：期刊文章

作　　者：杨丰瑞[1,2,3] 罗思烦[1,2] 李前洋[1,2]

Yang Fengrui;Luo Sifan;Li Qianyang(School of Communication&Information Engineering,Chongqing University of Posts&Telecommunications,Chongqing 400065,China;Research Center of New Telecommunication Technology,Chongqing University of Posts&Telecommunications,Chongqing 400065,China;Chongqing University of Posts&Telecommunications Information Technology(Group)Co.Ltd.,Chongqing 401121,China)

机构地区：[1]重庆邮电大学通信与信息工程学院,重庆400065 [2]重庆邮电大学通信新技术应用研究中心,重庆400065 [3]重庆重邮信科(集团)股份有限公司,重庆401121

出　　处：《计算机应用研究》

年　　份：2020

卷　　号：37

期　　号：9

起止页码：2625-2628

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：高维复杂数据处理是数据挖掘领域中的关键问题,针对现有特征选择分类算法存在的预测精确度失衡、整体分类效率低下等问题,提出了一种结合概率相关性和极限随机森林的特征选择分类算法(P-ERF)。该算法使用充分考虑特征之间相关性与P值结合的特征选择方式,避免了树节点分裂过程中造成的冗余性问题;并以随机树为基分类器、极限随机森林为整体框架,使P-ERF算法获得了更高的精准度和更好的泛化误差。实验结果表明,P-ERF算法相较于随机森林算法、极限随机森林算法,在数据集分类精度与整体性方面均得到良好的效果。

关 键 词：概率相关性  特征选择  特征子集 极限随机森林  

分 类 号：TP181]