一种基于决策森林的单调分类方法

作     者：许行 王文剑 任丽芳 Xu Hang;Wang Wenjian;Ren Lifang

作者机构：山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学)太原030006 山西财经大学应用数学学院太原030006 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2017年第54卷第7期

页      面：1477-1487页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61673249 61503229) 山西省回国留学人员科研基金项目(2016-004) 山西省研究生教育创新项目(2016BY003) 

主　　题：单调分类 决策树 单调一致性 决策森林 集成学习 

摘      要：单调分类问题是特征与类别之间带有单调性约束的有序分类问题.对于符号数据的单调分类问题已有较好的方法,但对于数值数据,现有的方法分类精度和运行效率有限.提出一种基于决策森林的单调分类方法(monotonic classification method based on decision forest,MCDF),设计采样策略来构造决策树,可以保持数据子集与原数据集分布一致,并通过样本权重避免非单调数据的影响,在保持较高分类精度的同时有效提高了运行效率,同时这种策略可以自动确定决策森林中决策树的个数.在决策森林进行分类时,给出了决策冲突时的解决方法.提出的方法既可以处理符号数据,也可以处理数值数据.在人造数据集、UCI及真实数据集上的实验数据表明:该方法可以提高单调分类性能和运行效率,缩短分类规则的长度,解决数据集规模较大的单调分类问题.