传统深度森林模型由于局限性,在多粒度扫描特征转换阶段忽略了边缘信息,导致特征转换不充分;级联时将上一层类概率拼接到原始特征中,未考虑之前类概率向量的影响,最后投票过程忽视了子分类器权重.针对以上问题,提出一种特征重排序的深度森林(Reorder Feature Deep Forest,RFDF)算法,通过特征重排序,将较重要的特征排在中部转换出更有效的特征;级联阶段将之前层级生成的类概率向量之间的差作为增强特征与原特征拼接,进一步增强特征差异性,缓解网络退化现象.引入逻辑回归分类器,增加子分类器的差异性.最后结果由赋予权重后的子分类器投票得出.通过不同的数据集验证,表明该方法一定程度上有效,在高维数据集上表现更加明显.
国家科技期刊平台
NSTL
万方数据
维普
