劉金燦　田星　周紅彬　尹波

【摘要】? ? 針對(duì)系統(tǒng)性能評(píng)估結(jié)果，分析各類指標(biāo)在本次評(píng)估中的貢獻(xiàn)率，是系統(tǒng)實(shí)現(xiàn)有針對(duì)性優(yōu)化改進(jìn)的重要基礎(chǔ)。基于隨機(jī)森林算法中的變量重要性測量（Variable Importance Measure，VIM），面向指標(biāo)體系與評(píng)估結(jié)果值構(gòu)建隨機(jī)森林模型，設(shè)計(jì)實(shí)現(xiàn)一種系統(tǒng)性能指標(biāo)貢獻(xiàn)率評(píng)估方法，完成系統(tǒng)性能評(píng)價(jià)中指標(biāo)重要程度排序。仿真結(jié)果表明，該方法可以精準(zhǔn)快速地選取對(duì)系統(tǒng)評(píng)估結(jié)果影響較大的指標(biāo)，從而為系統(tǒng)性能的提升提供理論支撐。

【關(guān)鍵詞】? ? 性能評(píng)估? ? 隨機(jī)森林? ? 變量重要性測量? ? 指標(biāo)貢獻(xiàn)率? ? 機(jī)器學(xué)習(xí)

引言：

近年來，面向系統(tǒng)性能評(píng)估的研究主要集中在評(píng)估算法的優(yōu)化改進(jìn)及實(shí)現(xiàn)[1]，針對(duì)性能評(píng)估結(jié)果的進(jìn)一步分析，以及判斷評(píng)估指標(biāo)對(duì)系統(tǒng)性能評(píng)價(jià)的貢獻(xiàn)程度，在國內(nèi)外尚未開展專門研究。關(guān)于體系貢獻(xiàn)率、節(jié)點(diǎn)重要性分析的相關(guān)研究，目前主要集中在裝備體系貢獻(xiàn)率評(píng)估[2-7]，以及復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要性計(jì)算[8-11]中;文獻(xiàn)[12]基于灰靶理論實(shí)現(xiàn)指揮信息系統(tǒng)指標(biāo)體系貢獻(xiàn)度計(jì)算，但未與系統(tǒng)性能評(píng)估相關(guān)聯(lián);文獻(xiàn)[13]提出了一種基于隨機(jī)森林的重要性測度分析方法，從而找出重要特征變量，降低輸入空間的維數(shù)，節(jié)約運(yùn)算成本。然而，均未從系統(tǒng)性能評(píng)估的角度，開展指標(biāo)貢獻(xiàn)率分析，無法支撐系統(tǒng)頂層完成“系統(tǒng)設(shè)計(jì)-性能評(píng)估-指標(biāo)貢獻(xiàn)率分析-系統(tǒng)性能優(yōu)化”的閉環(huán)。

隨著機(jī)器學(xué)習(xí)領(lǐng)域相關(guān)研究的不斷深入，關(guān)于隨機(jī)森林算法的優(yōu)化與應(yīng)用迅猛發(fā)展。自Breiman于2001年提出以來[14]，該算法憑借其在特征選擇、分類識(shí)別上的獨(dú)特優(yōu)勢(shì)，已廣泛應(yīng)用于生態(tài)學(xué)、醫(yī)學(xué)、天文學(xué)、農(nóng)業(yè)等行業(yè)。本文提出的系統(tǒng)性能指標(biāo)貢獻(xiàn)率方法，利用隨機(jī)森林算法在決策樹構(gòu)建過程中變量重要性測量（Variable Importance Measure ，VIM），完成指標(biāo)重要程度的識(shí)別，具有良好效果。

一、系統(tǒng)性能指標(biāo)貢獻(xiàn)率評(píng)估方法

“貢獻(xiàn)率”一詞多出現(xiàn)于經(jīng)濟(jì)領(lǐng)域，用以表示某一經(jīng)濟(jì)形式對(duì)整體經(jīng)濟(jì)增長的作用程度。本文借用該詞表征在系統(tǒng)性能評(píng)估中，參與評(píng)估計(jì)算的各類指標(biāo)，對(duì)系統(tǒng)綜合效能評(píng)價(jià)的影響程度。指標(biāo)貢獻(xiàn)率越高，表明該指標(biāo)對(duì)系統(tǒng)性能評(píng)估結(jié)果影響越大，從而可有針對(duì)性地進(jìn)行系統(tǒng)性能提升。

（一）隨機(jī)森林算法與適用性分析

隨機(jī)森林算法是經(jīng)典的數(shù)據(jù)挖掘算法之一，其核心在于決策樹的構(gòu)建，并通過多顆決策樹的組合，完成對(duì)樣本數(shù)據(jù)的特征識(shí)別與提取，提高分類的準(zhǔn)確性。

決策樹采用樹形結(jié)構(gòu)，從根節(jié)點(diǎn)出發(fā)自頂向下遞歸構(gòu)建。在構(gòu)建過程中，按照一定的規(guī)則，對(duì)樣本數(shù)據(jù)進(jìn)行特征提取與逐層分類，即將樣本數(shù)據(jù)依次放入下一層的“左”或“右”子節(jié)點(diǎn)中，形成樹的“分裂”。當(dāng)完成所有決策樹的構(gòu)建后，每棵樹最底層的樹節(jié)點(diǎn)共同完成所有樣本數(shù)據(jù)的分類。

隨機(jī)森林算法在實(shí)現(xiàn)過程中的關(guān)注點(diǎn)包含兩個(gè)方面：一是單棵決策樹生成的正確率，也稱為單棵決策樹的強(qiáng)度，即每次樹節(jié)點(diǎn)分裂的正確性，多顆決策樹的強(qiáng)度綜合決定了整體森林的分類性能;二是降低每顆決策樹之間的相關(guān)性，從而“獨(dú)立”地為最終分類結(jié)果負(fù)責(zé)，提高整體森林的可信度。

面向系統(tǒng)性能指標(biāo)的貢獻(xiàn)率評(píng)估，可以歸納為指標(biāo)體系（輸入變量X）對(duì)評(píng)估結(jié)果（輸出變量Y）影響程度的問題。其中，針對(duì)復(fù)雜系統(tǒng)的性能評(píng)估，其指標(biāo)體系復(fù)雜、指標(biāo)數(shù)量多，同時(shí)指標(biāo)數(shù)據(jù)的變動(dòng)具有非線性特征，且為多類指標(biāo)共同作用下決定評(píng)估結(jié)果值的大小。也就是說，輸入變量不確定性較強(qiáng)、呈非線性關(guān)系，且多類變量存在相互交叉、共同作用的關(guān)系。

隨機(jī)森林通過構(gòu)建一系列決策樹來解決樣本數(shù)據(jù)高維度處理難題，而決策樹模型本身屬于非線性分類（回歸）模型，最終分類結(jié)果通過每棵樹的結(jié)果進(jìn)行投票獲得，而不依賴于特定的輸入數(shù)據(jù)（單棵決策樹），特別適合解決交叉作用顯著的問題。另外，隨機(jī)森林算法通過統(tǒng)計(jì)學(xué)習(xí)可以自動(dòng)識(shí)別出對(duì)輸出變量影響較大的輸入變量。因此，該算法在解決指標(biāo)貢獻(xiàn)率評(píng)估上具有較強(qiáng)的適用性。

（二）基于隨機(jī)森林的指標(biāo)貢獻(xiàn)率評(píng)估

將隨機(jī)森林算法應(yīng)用于指標(biāo)貢獻(xiàn)率評(píng)估，首先假設(shè)指標(biāo)體系共包含n個(gè)子指標(biāo)X，X，...，X，且改變指標(biāo)數(shù)據(jù)后，進(jìn)行N次性能評(píng)估，將產(chǎn)生的評(píng)估結(jié)果記為Y，Y，...，Y，并將所有變量（包括輸入變量X與輸出變量Y）組成的樣本數(shù)據(jù)集合記為T。則基于隨機(jī)森林的指標(biāo)貢獻(xiàn)率評(píng)估方法，分為以下兩步實(shí)現(xiàn)：

1.隨機(jī)森林模型構(gòu)建，即決策樹的構(gòu)建

從總樣本數(shù)據(jù)T中隨機(jī)抽樣組成m個(gè)訓(xùn)練子集，并將第k個(gè)訓(xùn)練子集記為T，其數(shù)據(jù)規(guī)模大小記為N，則有：

對(duì)任意的T，分裂形成單棵決策樹，最終m個(gè)訓(xùn)練子集將形成m個(gè)決策樹，并共同構(gòu)成隨機(jī)森林。

其中，決策樹個(gè)數(shù)m的選擇由樣本數(shù)量多少?zèng)Q定：若樣本數(shù)量充足，m越大，則表明單棵決策樹對(duì)最終結(jié)果影響越小，一定程度上可避免個(gè)別差錯(cuò)數(shù)據(jù)對(duì)整體結(jié)果的影響，而m過大又會(huì)帶來算法時(shí)間和空間上的開銷;若樣本數(shù)據(jù)有限，則可以適當(dāng)減少?zèng)Q策樹的個(gè)數(shù)，避免出現(xiàn)不同決策樹使用相同數(shù)據(jù)集的情況，或者通過數(shù)據(jù)隨機(jī)擾動(dòng)的方式，擴(kuò)大樣本規(guī)模。

2.指標(biāo)貢獻(xiàn)率計(jì)算

在每棵決策樹生成的過程中，基于節(jié)點(diǎn)的不確定性下降量，計(jì)算產(chǎn)生該顆決策樹的變量重要性測量（VIM）;當(dāng)隨機(jī)森林模型構(gòu)建完畢后，進(jìn)一步計(jì)算得出m個(gè)決策樹的平均重要性測量結(jié)果（PVIM），最終為各指標(biāo)計(jì)算得到貢獻(xiàn)率評(píng)分值。

基于隨機(jī)森林的指標(biāo)貢獻(xiàn)率評(píng)估方法完整流程如圖2所示。

（1） 隨機(jī)森林模型構(gòu)建

如前文所述，在決策樹生成過程中，如何確定節(jié)點(diǎn)分裂準(zhǔn)則，是隨機(jī)森林模型是否可信的關(guān)鍵。目前關(guān)于節(jié)點(diǎn)分裂法則在分類問題中主要使用的有Gini系數(shù)、信息熵;在回歸問題中主要使用的有均方誤差MSE、平均均方差MAE準(zhǔn)則等。由于指標(biāo)體系貢獻(xiàn)率的計(jì)算結(jié)果需由所有決策樹共同決定，本質(zhì)上為回歸問題。因此，本文采用MSE準(zhǔn)則，實(shí)現(xiàn)節(jié)點(diǎn)的分裂。

MSE準(zhǔn)則事實(shí)上是一種二元遞歸分裂法則，它將輸入變量的空間不斷分割，形成越來越多的同類別的小矩形區(qū)域。所建立的決策樹根節(jié)點(diǎn)包含了所有訓(xùn)練樣本，在每一個(gè)分裂節(jié)點(diǎn)（包括根節(jié)點(diǎn)）的分裂步驟如下：

1）假設(shè)當(dāng)前節(jié)點(diǎn)在經(jīng)過若干次分裂后，規(guī)模為s，即包含有s組數(shù)據(jù)（X ，Y），其中j=1，...，s。

2）從當(dāng)前節(jié)點(diǎn)中選取一組指標(biāo)數(shù)據(jù)（X，Y），將X 作為候選分裂變量。

3）通過下式計(jì)算使用該分裂變量后，給當(dāng)前節(jié)點(diǎn)s組數(shù)據(jù)均方誤差MSE所帶來的改變量ΔMSE：

ΔMSE=MSE -P*MSE-Pl*MSE

其中， MSEf表示父節(jié)點(diǎn)的MSE值，MSEr、MSEl分別表示分裂后的右節(jié)點(diǎn)與左節(jié)點(diǎn)的MSE值，Pr和Pl分別表示父節(jié)點(diǎn)落入孩子右節(jié)點(diǎn)與孩子左節(jié)點(diǎn)的概率（右/左節(jié)點(diǎn)數(shù)據(jù)量與父節(jié)點(diǎn)數(shù)據(jù)量之比）。均方差MSE是利用組內(nèi)評(píng)估值Yj計(jì)算得到，以當(dāng)前含有s組數(shù)據(jù)的節(jié)點(diǎn)為例，公式如下：

其中，t=1，...，s;為根據(jù)袋外數(shù)據(jù)（Out Of Bag， OOB）重新評(píng)估得到的預(yù)測值。

4）將該節(jié)點(diǎn)s組數(shù)據(jù)全部輪循作為候選分裂變量后，將ΔMSE最大的一組值的X作為分裂閾值。父節(jié)點(diǎn)中的指標(biāo)數(shù)據(jù)小于該閾值的樣本分配到左子節(jié)點(diǎn)中，剩余的樣本分配至右子節(jié)點(diǎn)中，從而完成一次節(jié)點(diǎn)分裂。

按照上述步驟，對(duì)每個(gè)節(jié)點(diǎn)依次進(jìn)行逐層的分裂，直至達(dá)到分裂停止條件。停止條件主要為達(dá)到了預(yù)設(shè)的決策樹高度值，該值的設(shè)置避免了持續(xù)分裂使該節(jié)點(diǎn)VIM為0的情況，防止數(shù)據(jù)出現(xiàn)過擬合現(xiàn)象。

當(dāng)節(jié)點(diǎn)分裂完畢后即形成一棵決策樹，m個(gè)決策樹生成后，共同組成隨機(jī)森林模型，具體實(shí)現(xiàn)流程如圖3所示。

（2）指標(biāo)貢獻(xiàn)率計(jì)算

在隨機(jī)森林模型的構(gòu)建過程中，利用決策樹節(jié)點(diǎn)的ΔMSE進(jìn)行分裂，也就是說該節(jié)點(diǎn)處的MSE值直接決定了每顆決策樹的分裂結(jié)構(gòu)與隨機(jī)森林模型的最終樣式。因此，可以將該節(jié)點(diǎn)處的MSE值作為不確定性下降量，從而進(jìn)一步求取決策樹的變量重要性測量值以及隨機(jī)森林的平均重要性測量值。指標(biāo)貢獻(xiàn)率的計(jì)算步驟如下：

1）計(jì)算某顆決策樹中某個(gè)節(jié)點(diǎn)的不確定性下降量，計(jì)算公式為MSE *N-MSE *N-MSE *N。其中，MSE 表示當(dāng)前節(jié)點(diǎn)的MSE值，MSE、MSE分別表示右子節(jié)點(diǎn)與左子節(jié)點(diǎn)的MSE值，N、N、N分別是當(dāng)前節(jié)點(diǎn)、右子節(jié)點(diǎn)、左子節(jié)點(diǎn)的樣本數(shù)量。

2）遍歷整棵樹中的所有節(jié)點(diǎn)，將每個(gè)節(jié)點(diǎn)的不確定性下降值進(jìn)行累計(jì)求和、取平均處理，得到單棵決策樹的變量重要性測量值（VIM），并對(duì)所有VIM進(jìn)行歸一化處理。

3）基于單棵決策樹的VIM結(jié)果，對(duì)隨機(jī)森林所有決策樹求取變量的平均重要性測量值（PVIM），并作為最終結(jié)果。

按照指標(biāo)PVIM計(jì)算值的大小，即可實(shí)現(xiàn)對(duì)指標(biāo)重要程度的排序，完成指標(biāo)貢獻(xiàn)率評(píng)估。

二、指標(biāo)貢獻(xiàn)率評(píng)估方法應(yīng)用仿真

為檢驗(yàn)本文提出的基于隨機(jī)森林的指標(biāo)貢獻(xiàn)率評(píng)估方法，面向衛(wèi)星通信網(wǎng)絡(luò)系統(tǒng)，運(yùn)用該方法構(gòu)建隨機(jī)森林模型，并實(shí)現(xiàn)指標(biāo)貢獻(xiàn)率評(píng)估分析，以測試其可行性與有效性。

（一） 指標(biāo)體系與評(píng)估結(jié)果

以衛(wèi)星通信系統(tǒng)的通信組網(wǎng)場景為例，首先為該場景設(shè)置評(píng)估指標(biāo)體系，如圖4所示。

針對(duì)系統(tǒng)的通信組網(wǎng)場景，重點(diǎn)關(guān)注決定用戶服務(wù)質(zhì)量的組網(wǎng)能力與通信能力，分別將兩種能力指標(biāo)具化后，形成2層7個(gè)子指標(biāo)，包括網(wǎng)絡(luò)吞吐量、資源利用率、切換時(shí)間、切換成功率、業(yè)務(wù)流量、業(yè)務(wù)時(shí)延、業(yè)務(wù)丟包率。為獲取足夠多的樣本數(shù)據(jù)量，為子指標(biāo)設(shè)置200組不同的數(shù)據(jù)值。

另外，為進(jìn)一步驗(yàn)證本文所提方法的合理性，采用具有主觀因素的層次分析法，對(duì)每組指標(biāo)數(shù)據(jù)值，進(jìn)行系統(tǒng)性能評(píng)估。部分歸一化后的指標(biāo)數(shù)據(jù)與對(duì)應(yīng)的評(píng)估結(jié)果見表1。

在層次分析法的評(píng)估過程中，網(wǎng)絡(luò)吞吐量、資源利用率、切換時(shí)間、切換成功率、業(yè)務(wù)流量、業(yè)務(wù)時(shí)延、業(yè)務(wù)丟包率7類指標(biāo)的權(quán)重分別為[0.24，0.09，0.18，0.09，0.16，0.12，0.12]。

（二）指標(biāo)貢獻(xiàn)率評(píng)估

按照上文所述的指標(biāo)貢獻(xiàn)率評(píng)估方法，為指標(biāo)數(shù)據(jù)值及對(duì)應(yīng)的評(píng)估結(jié)果構(gòu)建500棵決策樹組成的隨機(jī)森林模型。由于參與評(píng)估的指標(biāo)類型較少，將決策樹的高度閾值預(yù)設(shè)為5。

以網(wǎng)絡(luò)吞吐量指標(biāo)為例，根據(jù)MSE 分裂準(zhǔn)則形成的決策樹，其單顆決策樹下的變量重要性測量值（共500個(gè)）經(jīng)過計(jì)算后為：[0.388，0.192，0.240，0.219，0.308，0.282，0.271，…]。而對(duì)于隨機(jī)森林模型來說，該指標(biāo)的變量平均重要性測量值為0.282。

按照上述方法，分別對(duì)網(wǎng)絡(luò)吞吐量、資源利用率、切換時(shí)間、切換成功率、業(yè)務(wù)流量、業(yè)務(wù)時(shí)延、業(yè)務(wù)丟包率7類指標(biāo)求取PVIM后，即可得到各指標(biāo)的貢獻(xiàn)率，如圖5所示。

由圖5可看出，在評(píng)估體系的7類指標(biāo)中，網(wǎng)絡(luò)吞吐量、切換時(shí)間兩類指標(biāo)對(duì)系統(tǒng)性能評(píng)估結(jié)果的影響程度最大，在下一步的系統(tǒng)優(yōu)化中應(yīng)重點(diǎn)加以關(guān)注。本例中的計(jì)算結(jié)果與層次分析算法過程中各類指標(biāo)的權(quán)重值相對(duì)應(yīng)，從側(cè)面反映出該方法的有效性?？梢姡疚奶岢龅幕陔S機(jī)森林算法的指標(biāo)貢獻(xiàn)率評(píng)估方法，能夠?qū)崿F(xiàn)對(duì)參與評(píng)估的各項(xiàng)指標(biāo)進(jìn)行重要程度排序，為系統(tǒng)性能提升提供依據(jù)。

三、結(jié)束語

面向系統(tǒng)性能評(píng)估的指標(biāo)貢獻(xiàn)程度研究，是在系統(tǒng)設(shè)計(jì)與性能優(yōu)化過程中的重要手段。本文在分析隨機(jī)森林算法實(shí)現(xiàn)原理及其在指標(biāo)貢獻(xiàn)率評(píng)估中適用性的基礎(chǔ)上，實(shí)現(xiàn)了針對(duì)性能指標(biāo)與評(píng)估結(jié)果的隨機(jī)森林模型構(gòu)建，最終提出了一種指標(biāo)貢獻(xiàn)率評(píng)估方法。本方法能夠給出各指標(biāo)在性能評(píng)價(jià)中的影響程度，使整個(gè)指標(biāo)體系更加清晰化、層次化;同時(shí)依據(jù)指標(biāo)貢獻(xiàn)率評(píng)估結(jié)果，能夠有針對(duì)性地對(duì)系統(tǒng)設(shè)計(jì)進(jìn)行優(yōu)化改進(jìn)，為改善效能評(píng)估結(jié)果提供了可參考的方法與途徑。

作者單位：劉金燦? ? 田星? ? 周紅彬? ? 尹波? ? 中國電子科技集團(tuán)公司第五十四研究所

參? 考? 文? 獻(xiàn)

[1]馬亞龍， 邵秋峰， 孫明， 等. 評(píng)估理論和方法及其軍事應(yīng)用[M]. 北京： 國防工業(yè)出版社， 2013.

[2]陳立新. 一種通用的裝備體系貢獻(xiàn)率評(píng)估框架[J]. 軍事運(yùn)籌與系統(tǒng)工程.2020， 34（2）： 33-38.

[3]張博孜， 張國忠， 常華耀. 武器裝備體系貢獻(xiàn)度評(píng)估問題研究[J]. 計(jì)算機(jī)仿真， 2018， 35（2）： 397-401.

[4]羅小明， 朱延雷，何榕.基于復(fù)雜網(wǎng)絡(luò)的武器裝備體系貢獻(xiàn)度評(píng)估分析方法[J]. 火力與指揮控制， 2017， 42（2） ： 83 - 87.

[5]呂惠文， 武慶春， 張煒. 基于灰色證據(jù)理論的裝備體系貢獻(xiàn)率評(píng)估[J]. 軍事交通學(xué)院學(xué)報(bào)， 2017， 19（5）：22-27.

[6]何舒， 楊克巍， 梁杰.基于網(wǎng)絡(luò)抗毀性的裝備貢獻(xiàn)度評(píng)價(jià)[J]. 火力與指揮控制，2017，42（8） ： 87-91.

[7]趙丹玲，譚躍進(jìn)，李際超， 等.基于作戰(zhàn)環(huán)的武器裝備體系貢獻(xiàn)度評(píng)估[J].系統(tǒng)工程與電子技術(shù)，2017，39（10） ： 2240-2245.

[8]胡鋼， 徐翔， 張維明， 等. 基于主成分分析的網(wǎng)絡(luò)節(jié)點(diǎn)的重要性指標(biāo)貢獻(xiàn)評(píng)價(jià)[J]. 電子學(xué)報(bào)， 2019， 47（2）： 358-365.

[9]吳果， 房禮國， 李中. 基于多指標(biāo)綜合的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要性評(píng)估[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2016， 37（12）： 3146-3150.

[10]張喜平， 李永樹， 劉剛， 等. 節(jié)點(diǎn)重要度貢獻(xiàn)的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度評(píng)估方法[J]. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)， 2014， 11（3）： 26-31.

[11]周漩， 張鳳鳴， 李克武， 等. 利用重要度評(píng)價(jià)矩陣確定復(fù)雜網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)[J]. 物理學(xué)報(bào)， 2012， 61（5）： 1-7.

[12]孫源澤， 趙東杰. 基于灰靶理論的指揮信息系統(tǒng)性能指標(biāo)貢獻(xiàn)度評(píng)估方法研究[J]. 指揮與控制學(xué)報(bào)， 2015， 1（2）：228-231.

[13]宋述芳， 何入洋. 基于隨機(jī)森林的重要性測度指標(biāo)體系[J]. 國防科技大學(xué)學(xué)報(bào)， 2021， 43（2）： 25-32.

[14] Breiman L. Random forests[J]. Machine learning， 2001， 45（1）： 5-32.

[15] B Gregorutti， B Michel， P Saint-Pierre. Correlation and variable importance in random forests[J]. Statistics & Computing ， 2017 ， 27 （3） ：659-678.

[16] H Hassan， ABadr， MB Abdelhalim. Prediction of O-glycosylation Sites Using Random Forest and GA-Tuned PSO Technique[J]. Bioinformatics & Biology Insights， 2015， 9（9） ： 103-109.

[17]張馬蘭， 劉君強(qiáng)， 左洪福， 等. 基于區(qū)間數(shù)學(xué)理論和貝葉斯網(wǎng)絡(luò)指標(biāo)靈敏度分析[J]. 武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版）， 2015， 39（1）：162-165.

[18]劉凱. 隨機(jī)森林自適應(yīng)特征選擇和參數(shù)優(yōu)化算法研究[D]. 長春： 長春工業(yè)大學(xué)， 2018.

[19]彭漂. 基于隨機(jī)森林的變量重要性度量和核密度估計(jì)算法研究[D]. 廈門： 廈門大學(xué)， 2017.

[20]馬驪. 隨機(jī)森林算法的優(yōu)化改進(jìn)研究[D]. 廣州： 暨南大學(xué)， 2016.

[21]張鑫， 吳海濤， 曹雪虹. Hadoop 環(huán)境下基于隨機(jī)森林的特征選擇算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2018， 28（7）： 88-92.