融合因子分析的随机森林研究

来源：计算机工程与应用杂志2019年第23期北京时间：

作者：李欢，熊梦莹，聂斌，杜建强，周丽，黄强

单位：江西中医药大学 计算机学院，南昌 330000

摘要：受特征重要性不平衡的影响，随机森林可能随机抽取到弱特征子集，从而生成“弱决策树”，进而导致模型的收敛速度降低、模型的性能下降。鉴于此，提出融合因子分析的随机森林模型，主要创新在于采用因子分析法构建特征组，再按特征个数比随机抽取特征形成每个分裂节点的候选子集。以模型的分类预测、回归拟合、特征重要性分析的准确率和运行时间为评价指标，选取了9组UCI数据综合考察模型的整体性能，并与决策树、随机森林对比实验。结果表明：融合因子分析的随机森林模型基本消除了准确率低的决策树产生，提高了模型的准确率和收敛速度，泛化性更强，更加有利于高维大数据，可行有效。

关键词：随机森林,因子分析,分类,回归,特征重要性,中医药信息学