首页|一种改进的随机森林Boost多标签文本分类算法

一种改进的随机森林Boost多标签文本分类算法

AN IMPROVED RANDOM FOREST BOOST MULTI-LABEL TEXT CLASSIFICATION ALGORITHM

扫码查看
原文链接
  • 万方数据
  • 维普
针对目前Boosting算法计算成本高、学习时间长的问题,提出一种改进的随机森林提升(RF-Boost)算法(IRF-Boost).对训练特征进行排序;在每个Boosting轮中,过滤并使用排序靠前特征的较小子集;根据权重选择一个特征构建新的弱假设,弱假设搜索空间的大小从k降低至1.实验检验并分析了信息增益、卡方、GS S系数、互信息、优势比、F1得分和准确度共7种特征排序方法.实验结果表明:在所评价的特征排序法中,互信息最适用于RF-Boost;IRF-Boost的效率优于RF-Boost及AdaBost.MH,即IRF-Boost是解决实践应用和专家系统中分类问题的较好选择.

邵孟良、齐德昱

展开 >

广州软件学院计算机系 广东 广州 510990

华南理工大学计算机科学与工程学院 广东 广州 510006

Boosting算法 特征排序 多标签学习 文本分类 弱假设

国家自然科学基金广东省前沿与关键技术创新项目广东省普通高校重点项目(自然)广州软件学院校级科研团队建设项目

610700152014B0101100042019GZDXM020ST202002

2022

10.3969/j.issn.1000-386x.2022.11.034

计算机应用与软件
上海市计算技术研究所 上海计算机软件技术开发中心

计算机应用与软件

CSTPCD北大核心
影响因子：0.615
ISSN：1000-386X
年,卷(期)：2022.39(11)
  • 7