隨機(jī)森林
- 基于哨兵影像與多特征優(yōu)選的溧陽(yáng)市上興鎮(zhèn)水稻識(shí)別
征組合，采用隨機(jī)森林算法對(duì)江蘇省常州市溧陽(yáng)市上興鎮(zhèn)的水稻進(jìn)行識(shí)別。結(jié)果表明，在光譜特征中，紅邊波段對(duì)于水稻識(shí)別精度有著較高的提升作用。光譜特征結(jié)合植被/水體指數(shù)特征、雷達(dá)特征后，水稻識(shí)別精度有所提高?；趦?yōu)選特征進(jìn)行分類的精度最高，總體分類精度、Kappa系數(shù)分別為93.26%、0.904 8。綜上，結(jié)合遙感影像的光譜特征、植被/水體指數(shù)特征和雷達(dá)特征等并進(jìn)行特征優(yōu)選可以提高水稻識(shí)別精度。關(guān)鍵詞：水稻識(shí)別；特征優(yōu)選；隨機(jī)森林；遙感影像中圖分類號(hào)：S127；
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年8期2024-01-30
- 基于隨機(jī)森林和隨機(jī)游走的交互式圖像分割
提出一種基于隨機(jī)森林進(jìn)行對(duì)稱檢測(cè)的方法。通過(guò)基于相似邊的特征，將對(duì)稱檢測(cè)轉(zhuǎn)化為結(jié)構(gòu)化標(biāo)簽問(wèn)題。在得到對(duì)稱軸的基礎(chǔ)上，通過(guò)期望最大算法，建立對(duì)稱軸與相鄰像素之間的關(guān)系，以提高交互式分割的精確度。實(shí)驗(yàn)表明，該方法不僅能有效地提取圖像中的對(duì)稱軸，而且能得到較高精度的交互式分割結(jié)果。關(guān)鍵詞：交互式圖像分割；隨機(jī)森林；隨機(jī)游走；對(duì)稱檢測(cè)；期望最大算法中圖分類號(hào)：TP391.41? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）31-0014-04
電腦知識(shí)與技術(shù) 2023年31期2023-12-25
- 基于多時(shí)相合成孔徑雷達(dá)數(shù)據(jù)的水稻種植面積監(jiān)測(cè)
相似性分析與隨機(jī)森林分類的水稻種植分布和面積監(jiān)測(cè)方法。首先提取VV和VH極化方式下不同地物的后向散射系數(shù)時(shí)間序列特征曲線，并利用HANTS濾波來(lái)消除噪聲影響。然后根據(jù)野外調(diào)查數(shù)據(jù)獲取小站稻參考生長(zhǎng)曲線，構(gòu)建小站稻相似性指數(shù)，篩選出小站稻可能種植區(qū)域。最后采用隨機(jī)森林分類模型提取小站稻種植面積。結(jié)果表明，基于多時(shí)相Sentinel-1A SAR影像相似性分析及隨機(jī)森林分類能夠獲得較高精度的水稻種植面積，VV和VH兩種極化方式下提取的水稻種植面積與統(tǒng)計(jì)年鑒結(jié)果
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年5期2023-09-19
- 基于ARIMA-RF組合模型的CPI預(yù)測(cè)
ARIMA；隨機(jī)森林；ARIMA-RF中圖分類號(hào)：TP391；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）13-0013-05CPI Prediction Based on ARIMA-RF Combined ModelZENG Lingqi（School of Mathematical Sciences， South China Normal University， Guangzhou? 510631， China）Abstra
現(xiàn)代信息科技 2023年13期2023-09-14
- 隨機(jī)森林算法對(duì)流域面積監(jiān)測(cè)的適用性研究
流域面積監(jiān)測(cè)隨機(jī)森林回歸模型。與多元線性回歸模型、支持向量回歸模型的對(duì)比結(jié)果表明，隨機(jī)森林回歸模型擬合優(yōu)度更高，平均絕對(duì)誤差更低，這說(shuō)明隨機(jī)森林算法在流域面積監(jiān)測(cè)研究中具有較高的適用性。關(guān)鍵詞：隨機(jī)森林；流域監(jiān)測(cè)；多元線性回歸；支持向量機(jī)中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）12-0074-04Research on the Applicability of Random Forest Algorithm to
現(xiàn)代信息科技 2023年12期2023-08-21
- BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林預(yù)測(cè)土壤有機(jī)質(zhì)模型研究
，提出了1種隨機(jī)森林回歸（RFR）和BP神經(jīng)網(wǎng)絡(luò)結(jié)果加權(quán)融合模型（BP-RFR），對(duì)土壤有機(jī)質(zhì)含量進(jìn)行預(yù)測(cè)。選取陜西安康盆地研究區(qū)40個(gè)樣點(diǎn)數(shù)據(jù)，對(duì)比分析RFR、BP神經(jīng)網(wǎng)絡(luò)和BP-RFR模型預(yù)測(cè)效果，使用決定系數(shù)（[R2]）、平均絕對(duì)百分比誤差（MAPE）和均方誤差（MSE）來(lái)評(píng)估模型性能。結(jié)果表明，BP-RFR、BP和RFR 模型三者預(yù)測(cè)值與實(shí)測(cè)值的決定系數(shù)（[R2]）分別為0.954 5、0.951 4、0.933 5，MAPE分別為0.037 7、
安徽農(nóng)學(xué)通報(bào) 2023年10期2023-07-29
- 基于改進(jìn)PCA的高新企業(yè)核心技術(shù)創(chuàng)新與專業(yè)技能提升數(shù)據(jù)分析研究
的問(wèn)題。通過(guò)隨機(jī)森林模型獲得最佳特征組合，采用信息熵對(duì)傳統(tǒng)主成分分析進(jìn)行改進(jìn)。對(duì)比主成分分析和改進(jìn)主成分分析結(jié)果，改進(jìn)主成分分析的前3個(gè)主成分包含了超過(guò)95%的信息量，而傳統(tǒng)主成分分析的前7個(gè)主成分所包含的信息量?jī)H為91.01%。結(jié)合主成分分析結(jié)果指出有效提升化工企業(yè)創(chuàng)新創(chuàng)業(yè)技能必須強(qiáng)化員工技能培訓(xùn)，注重企校合作，打造創(chuàng)新創(chuàng)業(yè)平臺(tái)，這對(duì)化工企業(yè)轉(zhuǎn)型升級(jí)提供了數(shù)據(jù)支撐。關(guān)鍵詞：隨機(jī)森林；主成分分析；信息熵；企業(yè)中圖分類號(hào)：TP391;TQ050.8 文獻(xiàn)標(biāo)志
粘接 2023年6期2023-07-12
- 數(shù)字化時(shí)代老年人數(shù)字融入及其影響因素分析
度數(shù)據(jù)，利用隨機(jī)森林模型對(duì)老年人數(shù)字融入的影響因素進(jìn)行研究。研究發(fā)現(xiàn)，社會(huì)資本對(duì)老年人數(shù)字融入的影響不可忽視；處于中高收入家庭和擁有社會(huì)保障、東部地區(qū)以及城市地區(qū)的老年人具有較高的數(shù)字融入程度。希望本文能夠?yàn)槿嬲J(rèn)識(shí)老年人數(shù)字融入及其影響因素認(rèn)識(shí)提供有益參考。［關(guān)鍵詞］老年人；數(shù)字融入；隨機(jī)森林［中圖分類號(hào)］F49文獻(xiàn)標(biāo)志碼：A隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等各類數(shù)字化應(yīng)用進(jìn)程大大加快，推動(dòng)數(shù)字化建設(shè)、發(fā)展數(shù)字經(jīng)濟(jì)、實(shí)施數(shù)字鄉(xiāng)村戰(zhàn)略成為重要議題。我國(guó)面臨巨大
南北橋 2023年11期2023-07-06
- 基于RS的新疆自治區(qū)高溫人口暴露研究
高程數(shù)據(jù)通過(guò)隨機(jī)森林算法進(jìn)行回歸預(yù)測(cè)，得出2022年夏季新疆近地表氣溫。將格網(wǎng)尺度的近地表氣溫柵格數(shù)據(jù)和人口數(shù)量柵格數(shù)據(jù)相結(jié)合，分析新疆2022年高溫人口暴露的空間分布特征。結(jié)果表明：（1）利用隨機(jī)森林算法預(yù)測(cè)近地表氣溫，預(yù)測(cè)的結(jié)果精度較高，RMSE和R2分別達(dá)到了2.16℃和0.86；（2）高溫人口暴露空間分布與人口密度空間分布呈現(xiàn)高度的一致性，即人口密度高的區(qū)域，高溫人口暴露程度也相對(duì)較高；（3）新疆高溫人口暴露的中高暴露區(qū)大都集中在城市群，如烏魯木齊
科技風(fēng) 2023年18期2023-07-05
- 不平衡數(shù)據(jù)集下齒輪裝配的故障診斷方法
E采樣方法和隨機(jī)森林（RF）分類方法的故障診斷模型——SMOTE-RF。首先，在實(shí)際齒輪裝配過(guò)程中，故障數(shù)據(jù)是不平衡的，可以使用SMOTE算法生成平衡的故障數(shù)據(jù)；其次，將平衡后的數(shù)據(jù)作為隨機(jī)森林算法的輸入實(shí)現(xiàn)故障分類；最后，對(duì)模型進(jìn)行性能評(píng)估。實(shí)驗(yàn)結(jié)果表明，SMOTE-RF模型的分類效果優(yōu)于SVM和XGBoost。關(guān)鍵詞：故障診斷；不平衡數(shù)據(jù)；SMOTE算法；隨機(jī)森林中圖分類號(hào)：TP391.4；TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（20
現(xiàn)代信息科技 2023年6期2023-06-25
- 基于中藥拉曼譜圖的寒熱藥性判別研究
于其他模型，隨機(jī)森林（RF）模型展現(xiàn)出最佳的效果，對(duì)測(cè)試集判別的正確率高于90%，曲線下面積（AUC）和精確度大于0.90。本研究基于大樣本量中藥的分析，中藥的拉曼數(shù)據(jù)與其寒熱藥性之間具有顯著的相關(guān)性，可作為藥性表征指標(biāo)，結(jié)合RF算法進(jìn)行寒熱藥性的判別分析。關(guān)鍵詞 中藥；拉曼光譜；藥性；寒熱；隨機(jī)森林；判別分析；特征篩選Discrimination of Cold and Heat Medicinal Properties Based on Raman S
世界中醫(yī)藥 2023年1期2023-06-23
- 基于特征提取和隨機(jī)森林的接口服務(wù)異常值檢測(cè)
為屬性，通過(guò)隨機(jī)森林進(jìn)行訓(xùn)練的有監(jiān)督學(xué)習(xí)的異常檢測(cè)方法。作為屬性的特征有標(biāo)準(zhǔn)分異常值、格拉布斯異常值、中位數(shù)方差異常值和平均偏離值等?，F(xiàn)階段一般采用無(wú)監(jiān)督模型和集成學(xué)習(xí)的方法來(lái)檢測(cè)異常值。文章提出的方法就是基于現(xiàn)階段方法做的一個(gè)升級(jí)版本，能檢測(cè)出大部分跨區(qū)換卡、套餐變更和個(gè)人開(kāi)機(jī)的中國(guó)移動(dòng)業(yè)務(wù)接口服務(wù)異常值。關(guān)鍵詞：隨機(jī)森林；一維特征提取；有監(jiān)督學(xué)習(xí)；業(yè)務(wù)接口服務(wù)異常值中圖分類號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）
現(xiàn)代信息科技 2023年5期2023-06-22
- 基于隨機(jī)森林方法的甲醇期貨價(jià)格預(yù)測(cè)與交易策略研究
則。論文采用隨機(jī)森林算法構(gòu)造甲醇期貨價(jià)格預(yù)測(cè)模型，使用甲醇產(chǎn)業(yè)鏈上下游產(chǎn)品的基本面特征作為輸入變量，并對(duì)輸入變量進(jìn)行歸一化處理構(gòu)造對(duì)照模型，結(jié)合使用基于Aberration策略思想構(gòu)建的交易策略集合，使用夏普比率對(duì)交易策略進(jìn)行篩選，構(gòu)造有效的甲醇期貨量化交易模型。研究結(jié)果顯示，論文模型在保證交易策略良好泛化能力的情況下可以實(shí)現(xiàn)高出同期10年期國(guó)債收益率1.2倍以上的年化收益率，也表明利用甲醇產(chǎn)業(yè)鏈上下游產(chǎn)品的基本面特征能夠很好地解釋甲醇期貨價(jià)格，并結(jié)合使用
上海管理科學(xué) 2023年1期2023-06-21
- 基于體域網(wǎng)的礦工生命體征監(jiān)測(cè)與運(yùn)動(dòng)狀態(tài)識(shí)別
基于小波包與隨機(jī)森林的礦工運(yùn)動(dòng)狀態(tài)識(shí)別算法MSR-WPT-RF，用于監(jiān)測(cè)礦工生命體征，識(shí)別運(yùn)動(dòng)狀態(tài).實(shí)驗(yàn)測(cè)試結(jié)果表明，構(gòu)建的礦工體域網(wǎng)生命體征采集節(jié)點(diǎn)具有低功耗性能、丟包率低、時(shí)延低等優(yōu)點(diǎn)，運(yùn)動(dòng)狀態(tài)識(shí)別算法能夠取得最高91%的識(shí)別準(zhǔn)確率.關(guān)鍵詞：礦工；生命體征；體域網(wǎng)；隨機(jī)森林；低功耗；[ ? 中圖分類號(hào) ? ?]TN915.85 [ ? ?文獻(xiàn)標(biāo)志碼 ? ] ?AMiners' Life Signs Monitoring and Motion State
- 基于隨機(jī)森林分類模型的古代玻璃制品成分分析
的成分，基于隨機(jī)森林建立模型，構(gòu)建不同分類標(biāo)準(zhǔn)。【結(jié)果】研究發(fā)現(xiàn)，玻璃制品紋飾等與表面風(fēng)化的相關(guān)性較弱，與二氧化硅等玻璃制品的相關(guān)性大，且氧化鉛成分在玻璃中的重要性最大?！窘Y(jié)論】要防止玻璃發(fā)生風(fēng)化，就要減少雜質(zhì)成分。關(guān)鍵詞：獨(dú)立樣本檢驗(yàn)；機(jī)器學(xué)習(xí)分類-隨機(jī)森林；聚類分析；相關(guān)性分析中圖分類號(hào)：TP181? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1003-5168（2023）09-0019-04Abstract：[Purposes] The chemica
河南科技 2023年9期2023-06-07
- 基于特征加權(quán)的電影票房預(yù)測(cè)研究
：票房預(yù)測(cè)；隨機(jī)森林；特征權(quán)重；BP神經(jīng)網(wǎng)絡(luò)電影票房在電影產(chǎn)業(yè)中占有舉足輕重的地位，因此，在電影發(fā)行當(dāng)天對(duì)電影票房做出準(zhǔn)確的預(yù)估，可以幫助制片人控制風(fēng)險(xiǎn)，幫助影院制定排片計(jì)劃，并引導(dǎo)影院和制片人制定市場(chǎng)戰(zhàn)略。在前期對(duì)電影票房的影響因子及票房預(yù)估的探討中，研究者著重于電影上映之前所確立的靜態(tài)影響因子，如主演、導(dǎo)演、編劇、題材、制式、獲獎(jiǎng)及提名、上映檔期、發(fā)行公司、電影地區(qū)等。目前，對(duì)于上述的一些靜態(tài)影響因子，大部分學(xué)者都建立了比較完整的評(píng)價(jià)體系和比較科學(xué)的定
計(jì)算機(jī)應(yīng)用文摘 2023年8期2023-05-30
- 基于隨機(jī)森林-Logistic回歸的掃地機(jī)器人消費(fèi)意愿及其影響因素分析
量數(shù)據(jù)，運(yùn)用隨機(jī)森林-Logistic回歸模型深入分析影響掃地機(jī)器人消費(fèi)意愿的因素?；貧w結(jié)果顯示，年齡、學(xué)歷、月收入、居住面積對(duì)掃地機(jī)器人的消費(fèi)意愿具有顯著影響。建議企業(yè)：穩(wěn)固現(xiàn)有用戶基礎(chǔ)，大力開(kāi)拓新用戶群體；積極開(kāi)展與高學(xué)歷群體需求相適應(yīng)的精準(zhǔn)營(yíng)銷；明確“注重產(chǎn)品品質(zhì)+完善附加服務(wù)=獲得消費(fèi)市場(chǎng)”；對(duì)掃地機(jī)器人進(jìn)行科技賦能，使其完全代替人力?！娟P(guān)鍵詞】掃地機(jī)器人；消費(fèi)意愿；隨機(jī)森林-Logistic回歸【中圖分類號(hào)】F273.2；TP242 ? ? ?
中小企業(yè)管理與科技·上旬刊 2023年2期2023-05-30
- 基于隨機(jī)森林和梯度提升決策樹(shù)的高血壓分析預(yù)測(cè)
提出一種基于隨機(jī)森林和梯度提升決策樹(shù)的模型。首先基于體檢報(bào)告數(shù)據(jù)進(jìn)行缺失值處理、one-hot編碼、歸一化、數(shù)據(jù)初步聚類等預(yù)處理；然后針對(duì)數(shù)據(jù)樣本不均衡的特性，利用SOMTE算法進(jìn)行重采樣，基于隨機(jī)森林得到特征重要性評(píng)分并進(jìn)行特征選擇；最后基于排名前20的特征值，利用梯度提升決策樹(shù)算法產(chǎn)生預(yù)測(cè)模型。模型分析結(jié)果顯示了高血壓的危險(xiǎn)性因素。經(jīng)數(shù)據(jù)集交叉驗(yàn)證，模型準(zhǔn)確率可以達(dá)到84.51%，具有較高的應(yīng)用價(jià)值。關(guān)鍵詞： 慢性??； 高血壓； 隨機(jī)森林； 梯度提升決
計(jì)算機(jī)時(shí)代 2023年5期2023-05-14
- 基于PSO的RF模型在人體活動(dòng)識(shí)別中的應(yīng)用
（PSO）的隨機(jī)森林（RF）識(shí)別方法。利用PSO算法搜尋最優(yōu)的RF超參數(shù)n_estimators和max_depth，構(gòu)建了PSO-RF人體活動(dòng)識(shí)別模型?；谌A盛頓州立大學(xué)CASAS項(xiàng)目數(shù)據(jù)集的實(shí)驗(yàn)共識(shí)別30種日?；顒?dòng)。仿真結(jié)果表明，PSO-RF模型的識(shí)別準(zhǔn)確率達(dá)到95%，Accuracy、Precision、Recall和F1-score評(píng)價(jià)指標(biāo)均優(yōu)于其他經(jīng)典的分類模型，具有較好的預(yù)測(cè)精度和泛化能力，可為智能家居系統(tǒng)個(gè)性化服務(wù)提供輔助決策。關(guān)鍵詞： 隨機(jī)
計(jì)算機(jī)時(shí)代 2023年5期2023-05-14
- 基于特征加權(quán)的電影票房預(yù)測(cè)研究
：票房預(yù)測(cè)；隨機(jī)森林；特征權(quán)重；BP神經(jīng)網(wǎng)絡(luò)電影票房在電影產(chǎn)業(yè)中占有舉足輕重的地位，因此，在電影發(fā)行當(dāng)天對(duì)電影票房做出準(zhǔn)確的預(yù)估，可以幫助制片人控制風(fēng)險(xiǎn)，幫助影院制定排片計(jì)劃，并引導(dǎo)影院和制片人制定市場(chǎng)戰(zhàn)略。在前期對(duì)電影票房的影響因子及票房預(yù)估的探討中，研究者著重于電影上映之前所確立的靜態(tài)影響因子，如主演、導(dǎo)演、編劇、題材、制式、獲獎(jiǎng)及提名、上映檔期、發(fā)行公司、電影地區(qū)等。目前，對(duì)于上述的一些靜態(tài)影響因子，大部分學(xué)者都建立了比較完整的評(píng)價(jià)體系和比較科學(xué)的定
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年8期2023-04-25
- PPP模式社會(huì)資本參與度影響因素研究
目信息，利用隨機(jī)森林模型預(yù)測(cè)PPP項(xiàng)目中社會(huì)資本的參與度，并進(jìn)行特征重要性排名，分析促進(jìn)社會(huì)資本參與PPP項(xiàng)目的重要因素。結(jié)果表明，社會(huì)資本參與PPP項(xiàng)目具有行業(yè)性，政府PPP項(xiàng)目經(jīng)驗(yàn)是吸引社會(huì)資本參與的主要因素，而審批所耗時(shí)長(zhǎng)，赤字率則對(duì)社會(huì)資本的積極參與產(chǎn)生負(fù)面影響。針對(duì)上述結(jié)論，文章對(duì)政府如何促進(jìn)PPP項(xiàng)目吸引社會(huì)資本的參與提出了相關(guān)建議。 關(guān)鍵詞：PPP模式；社會(huì)資本參與；隨機(jī)森林；影響因素 一、引言 2014年，發(fā)改委在發(fā)改基礎(chǔ)[2014]
中國(guó)集體經(jīng)濟(jì) 2023年10期2023-04-11
- 基于隨機(jī)森林和支持向量機(jī)的森林健康情況分析
病樹(shù)木檢測(cè)；隨機(jī)森林；支持向量機(jī)1引言如今，林木健康問(wèn)題已得到社會(huì)各界前所未有的關(guān)注，而中國(guó)傳統(tǒng)的樣地檢測(cè)和受控實(shí)驗(yàn)等方法需要耗費(fèi)大量人力物力，且得出具體結(jié)論所需時(shí)間往往較長(zhǎng)，使林業(yè)健康檢測(cè)喪失時(shí)效性。故傳統(tǒng)手段具有一定局限性。而遙感是避免接觸，目標(biāo)距離較遠(yuǎn)的一種探測(cè)技術(shù)，其能夠?yàn)檠芯咳藛T提供更高緯度的視野，可以有效收集并且處理復(fù)雜時(shí)空維度下的海量信息。本項(xiàng)目基于高分辨率遙感數(shù)據(jù)，結(jié)合統(tǒng)計(jì)學(xué)相關(guān)理論知識(shí)以及新興的數(shù)據(jù)挖掘技術(shù)，對(duì)健康樹(shù)木和患病樹(shù)木的遙感圖像
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年1期2023-01-14
- 基于機(jī)器學(xué)習(xí)的乳腺癌預(yù)測(cè)研究
據(jù)處理，使用隨機(jī)森林、XGBoost、相關(guān)性分析進(jìn)行模型建立分析。通過(guò)機(jī)器學(xué)習(xí)，得到相關(guān)結(jié)果以及準(zhǔn)確率、精準(zhǔn)率、召回率和F1，并通過(guò)比較不同算法之間準(zhǔn)確率、精確率的差異，得出最優(yōu)的預(yù)測(cè)研究方案機(jī)制。通過(guò)模型對(duì)比評(píng)價(jià)，XGBoost算法的準(zhǔn)確率、精確率等均在93．5％以上，隨機(jī)森林算法的準(zhǔn)確率、精確率等均為92.4％。相比之下，XGBoost模型預(yù)測(cè)效果較佳。利用機(jī)器學(xué)習(xí)研究乳腺癌的預(yù)防預(yù)測(cè)，并應(yīng)用于實(shí)踐，對(duì)乳腺癌早期診斷有著十分重要的意義。關(guān)鍵詞：機(jī)器學(xué)習(xí)
計(jì)算機(jī)應(yīng)用文摘·觸控 2022年19期2022-11-20
- 基于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法
提出一種基于隨機(jī)森林的集成學(xué)習(xí)入侵檢測(cè)方法。通過(guò)K-means和SMOTE處理數(shù)據(jù)集獲得相關(guān)度高的平衡數(shù)據(jù)子集，隨機(jī)森林選擇出最優(yōu)的特征子集，基于樹(shù)的集成學(xué)習(xí)方法分類結(jié)果。本文采用CICIDS2017數(shù)據(jù)集進(jìn)行本文方法可行性的研究，結(jié)果表明本文提出的方法相比傳統(tǒng)的單一機(jī)器學(xué)習(xí)方法具備更高的檢測(cè)精度和更低的時(shí)間開(kāi)銷。關(guān)鍵詞：隨機(jī)森林;集成學(xué)習(xí);入侵檢測(cè);機(jī)器學(xué)習(xí)中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）19-008
電腦知識(shí)與技術(shù) 2022年19期2022-08-31
- 基于隨機(jī)森林方法的遙感影像耕地提取與變化分析
號(hào)影像，采用隨機(jī)森林分類方法，提取耕地信息并分析其時(shí)空變化。結(jié)果表明：隨機(jī)森林分類方法能有效識(shí)別耕地，分類精度均在80%以上。2017—2019年間，江寧區(qū)耕地面積變化不大;2021年與2019年相比，耕地面積略有減少，部分耕地轉(zhuǎn)化為其他用地類型。在空間上，西部、東南部地區(qū)的耕地與其他用地類型間轉(zhuǎn)化面積較大;總體上，耕地重心不斷向東南方向遷移。耕地的時(shí)空變化受多種因素的影響，經(jīng)濟(jì)發(fā)展與城市擴(kuò)張是其中的主要因素，及時(shí)準(zhǔn)確地獲取耕地變化信息可為相關(guān)管理部門(mén)提供
安徽農(nóng)學(xué)通報(bào) 2022年10期2022-06-30
- 多模型融合風(fēng)化基巖富水性預(yù)測(cè)
ng方式疊加隨機(jī)森林和SoftMax，構(gòu)建多模型融合的風(fēng)化基巖富水性預(yù)測(cè)模型。以紅柳林礦區(qū)實(shí)測(cè)水文地質(zhì)數(shù)據(jù)進(jìn)行分析，經(jīng)過(guò)5折交叉驗(yàn)證，結(jié)果表明模型預(yù)測(cè)準(zhǔn)確率提升了27.8%和13.2%，micro-auc和macro-auc分別達(dá)到了0.94和0.93?？芍跈C(jī)器學(xué)習(xí)算法的特征選擇代替手工篩選特征可減少人為主觀性對(duì)預(yù)測(cè)模型的影響，采用XGBoost構(gòu)造的高級(jí)特征可更充分挖掘原始水文地質(zhì)數(shù)據(jù)中存在的富水性規(guī)律，融合模型可發(fā)揮不同基模型的優(yōu)勢(shì)，緩解基模型存在
- 溫州市三垟濕地遙感動(dòng)態(tài)檢測(cè)與景觀分析
支持向量機(jī)、隨機(jī)森林、極限學(xué)習(xí)三種不同分類器的比較明確適用于研究區(qū)的解譯方法，得到研究區(qū)內(nèi)三垟濕地土地分類圖，并計(jì)算了土地利用動(dòng)態(tài)度，分析了三垟濕地自生態(tài)修復(fù)開(kāi)始的土地利用變化，根據(jù)解譯結(jié)果計(jì)算研究區(qū)土地利用變化率與景觀變化。結(jié)果表明，遙感影像能夠較好的應(yīng)用于城市濕地動(dòng)態(tài)監(jiān)測(cè)，三垟濕地修復(fù)建設(shè)已逐步完善，因長(zhǎng)期開(kāi)墾導(dǎo)致的土地流失也逐步恢復(fù)。關(guān)鍵詞：三垟濕地;遙感解譯;隨機(jī)森林;支持向量機(jī)中圖分類號(hào)：TP181? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096
現(xiàn)代信息科技 2022年2期2022-06-15
- 高管特征與真實(shí)盈余管理
司為樣本，用隨機(jī)森林以更加全面的視角研究高管特征對(duì)真實(shí)盈余管理的預(yù)測(cè)作用，并進(jìn)一步分析對(duì)真實(shí)盈余管理預(yù)測(cè)能力影響較強(qiáng)的高管特征及其預(yù)測(cè)模式。研究發(fā)現(xiàn)：高管特征對(duì)真實(shí)盈余管理有預(yù)測(cè)作用，但其作用弱于公司自身特征;分企業(yè)性質(zhì)看，民營(yíng)企業(yè)高管特征比國(guó)有企業(yè)高管特征預(yù)測(cè)真實(shí)盈余管理的能力更強(qiáng);在眾多高管特征中，高管薪酬對(duì)真實(shí)盈余管理預(yù)測(cè)能力的影響最強(qiáng)，且與真實(shí)盈余管理呈現(xiàn)負(fù)相關(guān)關(guān)系。文章研究結(jié)論對(duì)監(jiān)管真實(shí)盈余管理行為具有一定的實(shí)踐意義?！娟P(guān)鍵詞】 高管特征; 真實(shí)
會(huì)計(jì)之友 2022年12期2022-06-07
- 基于隨機(jī)森林的系統(tǒng)性能指標(biāo)貢獻(xiàn)率評(píng)估
要基礎(chǔ)?；?span id="syggg00" class="hl">隨機(jī)森林算法中的變量重要性測(cè)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(cè)量? ? 指標(biāo)貢獻(xiàn)率? ? 機(jī)器學(xué)習(xí)引言：近年來(lái)，面向系統(tǒng)性能評(píng)估的
中國(guó)新通信 2022年6期2022-06-02
- 隨機(jī)森林數(shù)據(jù)挖掘技術(shù)在電話詐騙行為的方法體系設(shè)計(jì)
于數(shù)據(jù)挖掘的隨機(jī)森林算法以及聚類算法技術(shù)展開(kāi)了相應(yīng)的綜合分析，并在底層架構(gòu)中的算法中置入了防范電話詐騙模型，并設(shè)計(jì)了相關(guān)的結(jié)構(gòu)和系統(tǒng)，對(duì)通話特性進(jìn)行表征分析，提升了模型的預(yù)測(cè)效率和準(zhǔn)確度，為防范電話詐騙提供更加清晰和準(zhǔn)確的架構(gòu)體系。關(guān)鍵詞：隨機(jī)森林;電話詐騙;方法體系;系統(tǒng)設(shè)計(jì)目前，電信詐騙的形式較為嚴(yán)峻。大數(shù)據(jù)背景下，個(gè)人的網(wǎng)絡(luò)信息嚴(yán)重威脅著人們的財(cái)產(chǎn)安全，對(duì)此工信部以及公安部和運(yùn)營(yíng)商相繼發(fā)布重要整治措施，整改和預(yù)防電信詐騙事件的發(fā)生。從應(yīng)用層面上來(lái)看，
中國(guó)新通信 2022年13期2022-05-30
- 基于集成學(xué)習(xí)的大學(xué)生心理健康服務(wù)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
成學(xué)習(xí)算法的隨機(jī)森林模型進(jìn)行數(shù)據(jù)分析，為高校心理輔導(dǎo)老師提供輔助，進(jìn)行智能預(yù)警。系統(tǒng)采用SSM框架、MySQL數(shù)據(jù)庫(kù)等主流的開(kāi)發(fā)工具與技術(shù)，界面簡(jiǎn)潔友好，性能良好。關(guān)鍵詞：集成學(xué)習(xí);心理健康;隨機(jī)森林;學(xué)習(xí)策略中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）12-0046-02開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：近年來(lái)，當(dāng)代大學(xué)生的心理障礙問(wèn)題日益突出，采用人工智能算法提前預(yù)判學(xué)生心理健康并及時(shí)疏導(dǎo)，已成為高校心
電腦知識(shí)與技術(shù) 2022年12期2022-05-29
- 基于光譜指數(shù)的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量估算模型
，并建立基于隨機(jī)森林法（RF）的SOC含量估算模型。結(jié)果表明：（1）研究區(qū)SOC含量主要集中在5.25～78.76 g/kg，平均值為21.82 g/kg，變異系數(shù)為69.11%，呈中等變異性;（2）在光譜數(shù)據(jù)lgR下，SOC含量與DIS指數(shù)相關(guān)系數(shù)最高，相關(guān)系數(shù)為0.80，最佳組合波段為（1 758 nm，1 752 nm）;（3）基于不同光譜指數(shù)與弓曲差（C）建立的模型驗(yàn)證集精度R2和RMSE分別介于0.67～0.84和5.85～8.45 g/kg，模
江蘇農(nóng)業(yè)學(xué)報(bào) 2022年2期2022-05-16
- 基于機(jī)器學(xué)習(xí)的軟件缺陷傾向性預(yù)測(cè)研究
輯回歸算法和隨機(jī)森林算法分別對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè)，使用了查準(zhǔn)率（Precision）、查全率（Recall）、ROC曲線下面積（AUC）作為模型的評(píng)價(jià)指標(biāo)，并給出了對(duì)比實(shí)驗(yàn)的結(jié)果。關(guān)鍵詞：機(jī)器學(xué)習(xí);軟件缺陷預(yù)測(cè);傾向性預(yù)測(cè);邏輯回歸;隨機(jī)森林中圖分類號(hào)：TP311.5? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）07-0067-041 引言隨著軟件行業(yè)的快速發(fā)展，軟件數(shù)量劇增，軟件的形式趨于多樣化，而且軟件的復(fù)雜程度不斷提高、規(guī)模不斷
電腦知識(shí)與技術(shù) 2022年7期2022-05-09
- 基于信息化的酒店評(píng)論情感分析
分別決策樹(shù)和隨機(jī)森林算法并使用處理好的數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)測(cè)試集計(jì)算出兩種算法的ROC性能曲線，發(fā)現(xiàn)隨機(jī)森林算法相比決策樹(shù)有著更好的性能，滿足酒店評(píng)論情感分析的需求?！娟P(guān)鍵詞】? ? 隨機(jī)森林? ? 機(jī)器學(xué)習(xí)? ? 評(píng)論分析? ? 機(jī)器學(xué)習(xí)引言隨著互聯(lián)網(wǎng)的迅速發(fā)展，人們?cè)絹?lái)越習(xí)慣于網(wǎng)購(gòu)，很多人外出住宿都會(huì)網(wǎng)上訂購(gòu)酒店，產(chǎn)生了大量的在線評(píng)論[6]。評(píng)論信息作為只有入住過(guò)的顧客親身體驗(yàn)后的信息，很快就變成了人們看重的酒店服務(wù)質(zhì)量指標(biāo)?，F(xiàn)在去哪兒網(wǎng)是中國(guó)最大的旅游
中國(guó)新通信 2022年4期2022-04-23
- 基于車(chē)載自組網(wǎng)的交通事故風(fēng)險(xiǎn)預(yù)防方法
網(wǎng)技術(shù)，基于隨機(jī)森林算法構(gòu)建解耦式交通—通信仿真框架，評(píng)價(jià)低比例網(wǎng)聯(lián)車(chē)的二次事故預(yù)防效果，結(jié)果顯示只需較低比例（5%～20%）的網(wǎng)聯(lián)車(chē)可改善事故對(duì)交通環(huán)境的影響。關(guān)鍵詞 車(chē)載自組網(wǎng);事故風(fēng)險(xiǎn)預(yù)防;解耦式交通—通信仿真;隨機(jī)森林中圖分類號(hào) V279 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2022）06-0020-03引言車(chē)載自組網(wǎng)（Vehicular Ad-hoc Network， VANET）是當(dāng)前交通運(yùn)輸領(lǐng)域最前沿的技術(shù)之一，通過(guò)車(chē)車(chē)（Vehic
交通科技與管理 2022年6期2022-04-18
- 多特征融合下視頻網(wǎng)站彈幕信息有用性檢測(cè)研究
：特征融合;隨機(jī)森林;機(jī)器學(xué)習(xí);有用性檢測(cè);彈幕信息DOI：10.3969/j.issn.1008-0821.2022.04.009〔中圖分類號(hào)〕G203 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2022）04-0099-11Abstract：[Purpose/Significance]As the function of the video platform danmaku is well-known to the public，the inf
現(xiàn)代情報(bào) 2022年4期2022-03-30
- 烤煙柔韌性與內(nèi)在品質(zhì)的相關(guān)分析
用相關(guān)分析和隨機(jī)森林回歸分析，研究了煙葉柔韌性與主要化學(xué)成分和感官品質(zhì)指標(biāo)的關(guān)系。結(jié)果表明，煙葉柔韌性區(qū)域差異明顯，渝東南煙葉柔韌性好，豫西、湘南煙葉次之，而滇東和豫中地區(qū)煙葉總體一般。煙葉柔韌性分值與還原糖、總糖含量，糖堿比值和兩糖比值呈顯著或極顯著正相關(guān)。煙葉柔韌性分值與香氣質(zhì)、香氣量、雜氣、刺激性、干燥感、回甜感等感官指標(biāo)呈極顯著正相關(guān)。隨機(jī)森林回歸分析發(fā)現(xiàn)，部分地區(qū)柔韌性對(duì)還原糖含量、香氣質(zhì)和感官綜合品質(zhì)分值變異的貢獻(xiàn)率大于其他外觀指標(biāo)。煙葉柔韌性
中國(guó)煙草科學(xué) 2022年1期2022-03-21
- 小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別研究
究對(duì)象，通過(guò)隨機(jī)森林方法對(duì)影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素進(jìn)行識(shí)別，并確定關(guān)鍵指標(biāo)的影響程度和影響方向。結(jié)果表明：水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟次數(shù)等企業(yè)行為信息是影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素，且均對(duì)企業(yè)信用風(fēng)險(xiǎn)具有正向影響。關(guān)鍵詞：小微企業(yè);隨機(jī)森林;信用風(fēng)險(xiǎn)中圖分類號(hào)：C29文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1005-6432（2022）06-0100-02DOI：10.13939/j.cnki.zgsc.2022.06.1001
中國(guó)市場(chǎng) 2022年6期2022-03-19
- 長(zhǎng)時(shí)間序列的鳳陽(yáng)縣景觀格局分析
于機(jī)器學(xué)習(xí)的隨機(jī)森林算法進(jìn)行地物分類，并與RS、GIS、目視解譯等方法結(jié)合，對(duì)鳳陽(yáng)縣1989、1995、2000、2005、2009、2013和2018年7期遙感影像進(jìn)行土地利用分類和景觀格局分析。結(jié)果表明：經(jīng)隨機(jī)森林分類方法分析得出，總體精度達(dá)92.14%，Kappa系數(shù)為0.8956。研究結(jié)果有助于了解經(jīng)濟(jì)快速發(fā)展背景下鳳陽(yáng)縣土地利用空間格局變化及規(guī)律，對(duì)于指導(dǎo)鳳陽(yáng)縣城鄉(xiāng)規(guī)劃、土地資源管理以及生態(tài)環(huán)境保護(hù)等方面有著重要的參考作用。關(guān)鍵詞：景觀格局;土地
安徽農(nóng)學(xué)通報(bào) 2022年4期2022-03-13
- 基于影像組學(xué)和機(jī)器學(xué)習(xí)的腦部膠質(zhì)瘤分級(jí)模型研究
特征集，利用隨機(jī)森林分類算法構(gòu)建腦部膠質(zhì)瘤的分級(jí)預(yù)測(cè)模型?；跈C(jī)器學(xué)習(xí)建立的模型在訓(xùn)練組患者中預(yù)測(cè)膠質(zhì)瘤級(jí)別的準(zhǔn)確率達(dá)到95.6%，ROC曲線下面積（AUC）達(dá)到0.99;在驗(yàn)證組患者中預(yù)測(cè)膠質(zhì)瘤級(jí)別的準(zhǔn)確率達(dá)到89.3%，AUC達(dá)到0.96?？梢?jiàn)，基于機(jī)器學(xué)習(xí)算法，利用影像組學(xué)的方法可以對(duì)腦部腫瘤的高低級(jí)別進(jìn)行準(zhǔn)確的預(yù)測(cè)和分類。關(guān)鍵詞：腫瘤分級(jí);影像組學(xué);機(jī)器學(xué)習(xí);隨機(jī)森林中圖分類號(hào)：TP39? ? ?文獻(xiàn)標(biāo)識(shí)碼：AResearch on Grading
軟件工程 2022年2期2022-03-09
- 基于集成學(xué)習(xí)的肺癌存活性預(yù)測(cè)分析
性，本研究以隨機(jī)森林（Random Forest）、LightGBM（Light Gradient Boosting Machine）和CatBoost（Categorical Boosting）三種算法為基模型，通過(guò)線性回歸集成融合構(gòu)建RF-LGC肺癌存活性預(yù)測(cè)模型，運(yùn)用分層十折交叉驗(yàn)證方法進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示，RF-LGC組合模型的預(yù)測(cè)精度達(dá)到了98.0242%，比單一的基模型提高了0.2%;敏感性達(dá)到了89.3957%，比單一的基模型提高了3%
軟件工程 2022年1期2022-01-04
- 基于Wi-Fi指紋和隨機(jī)森林的定位算法
-Fi指紋和隨機(jī)森林的室內(nèi)定位算法。該算法采用Wi-Fi作為信號(hào)源，以接收信號(hào)強(qiáng)度指示和基本服務(wù)集標(biāo)識(shí)符來(lái)構(gòu)建Wi-Fi指紋庫(kù)，從而建立隨機(jī)森林模型用于室內(nèi)位置感知。仿真實(shí)驗(yàn)表明，該算法的定位誤差約為2.26 m， 與同類算法相比，在執(zhí)行時(shí)間和定位精度上具有較好的優(yōu)越性，算法精度提高約3.2%。關(guān)鍵詞： 室內(nèi)定位; Wi-Fi指紋; 指紋數(shù)據(jù)庫(kù); 隨機(jī)森林; 位置感知文章編號(hào)： 2095-2163（2021）07-0102-05中圖分類號(hào)：TP393文獻(xiàn)標(biāo)
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 優(yōu)化的代價(jià)敏感隨機(jī)森林算法設(shè)計(jì)研究
要：代價(jià)敏感隨機(jī)森林算法是解決不平衡數(shù)據(jù)分析的一種典型方法，在許多領(lǐng)域應(yīng)用廣泛，但其存在著兩個(gè)不足一是構(gòu)造代價(jià)函數(shù)時(shí)未考慮樣本分布情況，二是對(duì)于數(shù)據(jù)集內(nèi)的所有特征其距離計(jì)算過(guò)程相同，未突出重要特征。為解決上述問(wèn)題，本文提出了一種優(yōu)化方法根據(jù)樣本分布情況構(gòu)造代價(jià)因子，并引入權(quán)重距離，以提升算法性能。關(guān)鍵詞：隨機(jī)森林;代價(jià)敏感;不平衡數(shù)據(jù)1代價(jià)敏感學(xué)習(xí)在處理不平衡數(shù)據(jù)時(shí)，由于多數(shù)類樣本與少數(shù)類樣本數(shù)量相差巨大，會(huì)導(dǎo)致學(xué)習(xí)結(jié)果出現(xiàn)偏差，生成的分類器會(huì)完全偏向于多
科學(xué)與生活 2021年24期2021-12-06
- 用隨機(jī)森林回歸算法預(yù)測(cè)電影評(píng)分
，提出了基于隨機(jī)森林算法的電影評(píng)分預(yù)測(cè)模型。關(guān)鍵詞：隨機(jī)森林;電影評(píng)分;數(shù)據(jù)挖掘;機(jī)器學(xué)習(xí)隨著數(shù)據(jù)挖掘技術(shù)的成熟，目前可以運(yùn)用數(shù)據(jù)挖掘技術(shù)從大量的數(shù)據(jù)中挖掘到事物間的聯(lián)系并預(yù)測(cè)其發(fā)展方向。電影評(píng)分預(yù)測(cè)模型可以在電影上映前預(yù)測(cè)其評(píng)分，觀眾就可以根據(jù)預(yù)測(cè)評(píng)分有選擇地觀影，電影院也可以選擇性制定排片計(jì)劃，電影周邊產(chǎn)業(yè)也有了參考。一、隨機(jī)森林算法隨機(jī)森林回歸模型就是綜合幾個(gè)創(chuàng)建好的決策樹(shù)模型，其預(yù)測(cè)結(jié)果由所有決策樹(shù)模型的預(yù)測(cè)結(jié)果平均得到。算法基本步驟如下：（一）抽
科學(xué)與生活 2021年18期2021-11-24
- 基于隨機(jī)森林的杉木標(biāo)準(zhǔn)樹(shù)高曲線
據(jù)為例，運(yùn)用隨機(jī)森林方法，以胸徑、優(yōu)勢(shì)樹(shù)高、優(yōu)勢(shì)胸徑為自變量，建立樹(shù)高預(yù)測(cè)模型。首先根據(jù)隨機(jī)森林的置換精度重要性篩選出建模的自變量，并確定決策樹(shù)的數(shù)量和競(jìng)爭(zhēng)節(jié)點(diǎn)變量數(shù)，得到?jīng)Q定系數(shù)R2為0.945 0，均方誤差MSE為2.696 6的隨機(jī)森林樹(shù)高預(yù)測(cè)模型。利用檢驗(yàn)數(shù)據(jù)對(duì)隨機(jī)森林樹(shù)高預(yù)測(cè)模型和傳統(tǒng)樹(shù)高預(yù)測(cè)模型分別進(jìn)行精度檢驗(yàn)。結(jié)果表明：隨機(jī)森林模型的擬合效果與預(yù)測(cè)效果都優(yōu)于該傳統(tǒng)樹(shù)高模型，隨機(jī)森林模型可以作為有效的樹(shù)高預(yù)測(cè)技術(shù)。關(guān)鍵詞： 杉木;標(biāo)準(zhǔn)樹(shù)高曲線;
湖北林業(yè)科技 2021年5期2021-11-11
- 誰(shuí)是失信人：大數(shù)據(jù)識(shí)別潛在對(duì)象
P;大數(shù)據(jù);隨機(jī)森林;因子分析一、引言近年來(lái)，互聯(lián)網(wǎng)技術(shù)在全球范圍內(nèi)蓬勃發(fā)展，互聯(lián)網(wǎng)金融也隨之逐漸強(qiáng)大。在此背景之下，一種全新的民間借貸方式——P2P網(wǎng)絡(luò)借貸應(yīng)運(yùn)而生。P2P（Peer to Peer）網(wǎng)絡(luò)借貸是指借貸者和投資者通過(guò)互聯(lián)網(wǎng)平臺(tái)在線上完成的小額借貸模式，不需要傳統(tǒng)金融機(jī)構(gòu)作為中介參與進(jìn)來(lái)。P2P網(wǎng)絡(luò)借貸自2007年進(jìn)入我國(guó)，發(fā)展至今已經(jīng)有13年，給投資者和借貸者帶來(lái)極大助力的同時(shí)，也帶來(lái)了極大的風(fēng)險(xiǎn)。由于P2P網(wǎng)絡(luò)借貸平臺(tái)擁有大量借貸者身份信
科技信息·學(xué)術(shù)版 2021年22期2021-11-07
- 基于KMUS-RF算法的復(fù)雜產(chǎn)品關(guān)鍵質(zhì)量特性識(shí)別研究
欠采樣的改進(jìn)隨機(jī)森林算法（Random forest algorithm base on K-Means clustering under sampling，KMUS-RF），利用K-Means算法對(duì)多數(shù)樣本進(jìn)行聚類，并根據(jù)聚類結(jié)果進(jìn)行多次欠采樣形成多個(gè)平衡數(shù)據(jù)集，以隨機(jī)森林為基分類器進(jìn)行識(shí)別，最終根據(jù)分類過(guò)程中的特征重要性輸出關(guān)鍵質(zhì)量特性集。算例表明，KMUS-RF算法相比現(xiàn)有的多種分類器有良好的整體分類性能，并能顯著降低復(fù)雜產(chǎn)品分類的第二類錯(cuò)誤率，滿足
中小企業(yè)管理與科技·下旬刊 2021年10期2021-11-05
- 基于隨機(jī)森林的航材不平衡樣本集數(shù)據(jù)分析方法研究
于代價(jià)敏感的隨機(jī)森林方法，并在飛機(jī)航材保障數(shù)據(jù)分析中應(yīng)用，結(jié)果表明該方法能夠?qū)Σ黄胶鈹?shù)據(jù)進(jìn)行較為準(zhǔn)確的分析。關(guān)鍵詞：隨機(jī)森林;不平衡數(shù)據(jù);分類器;航材1 引言航材保障是為飛機(jī)檢修維修提供所需航材的重要工作，其直接關(guān)系到飛機(jī)能否正常執(zhí)行任務(wù)。缺材停飛指飛機(jī)因缺乏航材導(dǎo)致無(wú)法飛行，為掌握航材保障工作規(guī)律，對(duì)保障數(shù)據(jù)進(jìn)行分析，預(yù)判缺材停飛事件發(fā)生具有重要的意義。但是航材保障工作中缺材停飛屬于小概率事件，導(dǎo)致缺材停飛的航材占比一般不足百分之五，導(dǎo)致樣本集內(nèi)正樣本與
科技信息·學(xué)術(shù)版 2021年15期2021-10-21
- 基于隨機(jī)森林的光譜分類模型研究
;第三節(jié)介紹隨機(jī)森林算法;第四節(jié)介紹實(shí)驗(yàn)內(nèi)容以及程序模塊，利用Python實(shí)現(xiàn)光譜數(shù)據(jù)的分類并評(píng)估結(jié)果，然后實(shí)行調(diào)參，得到最優(yōu)的參數(shù)搭配;第五節(jié)對(duì)優(yōu)化模型進(jìn)行測(cè)試，與原模型比較準(zhǔn)確率、查準(zhǔn)率、召回率、F-score值等指標(biāo)，發(fā)現(xiàn)優(yōu)化后的結(jié)果優(yōu)良;第六節(jié)總結(jié)隨機(jī)森林算法的優(yōu)缺點(diǎn)。關(guān)鍵詞：集成學(xué)習(xí);Bagging;隨機(jī)森林中圖分類號(hào)：TP273.4 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2021）07-0081-04Study on Spectral
現(xiàn)代信息科技 2021年7期2021-10-16
- 基于隨機(jī)森林的船舶避臺(tái)失敗原因分析
成功率，采用隨機(jī)森林對(duì)船舶避臺(tái)失敗的原因進(jìn)行分析，并與決策樹(shù)進(jìn)行對(duì)比。結(jié)果表明：隨機(jī)森林和決策樹(shù)對(duì)船舶避臺(tái)失敗事故的平均診斷率分別為84.23%和75.56%;隨機(jī)森林對(duì)一般事故和重大事故具有更高的診斷率，分別達(dá)到90.0%和96.1%。事故原因分析表明：造成船舶避臺(tái)失敗的首要原因是船員責(zé)任感不強(qiáng);船員責(zé)任感不強(qiáng)、決策出現(xiàn)差池和船舶日常管理混亂極易導(dǎo)致船舶避臺(tái)失敗事故。本文研究可為船舶實(shí)施合理避臺(tái)措施提供一定的參考。關(guān)鍵詞：? 船舶避臺(tái)失敗事故; 決策樹(shù);
上海海事大學(xué)學(xué)報(bào) 2021年3期2021-10-08
- 基于機(jī)器學(xué)習(xí)的主要汽車(chē)生產(chǎn)國(guó)外匯交易數(shù)據(jù)研究
支持向量機(jī)、隨機(jī)森林、以及XGBoost模型對(duì)外匯交易數(shù)據(jù)評(píng)估的預(yù)測(cè)能力。研究結(jié)果表明XGBoost要優(yōu)于傳統(tǒng)的支持向量機(jī)和隨機(jī)森林。關(guān)鍵詞：外匯交易 支持向量機(jī) 隨機(jī)森林 XGBoostResearch on Foreign Exchange Data of Main Automobile Production based on Machine LearningBai Yupei Zhang Zhiyang Tang Tingzong Zhang Aij
時(shí)代汽車(chē) 2021年18期2021-09-17
- 一種基于隨機(jī)森林的扶貧識(shí)別辦法
個(gè)指標(biāo)，通過(guò)隨機(jī)森林算法來(lái)精確識(shí)別貧困人口。通過(guò)研究發(fā)現(xiàn)，隨機(jī)森林算法在甄別貧困人口中效果好，同時(shí)擁有較大的靈活性，能較好適應(yīng)精準(zhǔn)扶貧識(shí)別工作。[關(guān)鍵詞]精準(zhǔn)扶貧;機(jī)器學(xué)習(xí);隨機(jī)森林;評(píng)價(jià)指標(biāo)[DOI]10.13939/j.cnki.zgsc.2021.25.0221 引言2018年2月12日，習(xí)近平總書(shū)記在打好精準(zhǔn)脫貧攻堅(jiān)戰(zhàn)座談會(huì)上強(qiáng)調(diào)，脫貧攻堅(jiān)，精準(zhǔn)是要義。必須堅(jiān)持“六個(gè)精準(zhǔn)”，扶貧扶到點(diǎn)上扶到根上。但是，隨著扶貧工作難度的提高，一些缺陷日益突出。一些
中國(guó)市場(chǎng) 2021年25期2021-09-14
- 基于評(píng)分卡模型下中小微企業(yè)的信貸決策
雙目標(biāo)規(guī)劃;隨機(jī)森林;熵權(quán)法[DOI]10.13939/j.cnki.zgsc.2021.27.0531 引言中小企業(yè)為我國(guó)經(jīng)濟(jì)發(fā)展做出了巨大貢獻(xiàn)，但在資金籌集方面，商業(yè)銀行對(duì)其存在“惜貸”“拒貸”的現(xiàn)象。主要原因是無(wú)法對(duì)中小微企業(yè)做出精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估。因此，銀行通常是依據(jù)信貸政策、企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力，根據(jù)中小微企業(yè)的實(shí)力、信譽(yù)對(duì)其信貸風(fēng)險(xiǎn)做出評(píng)估，向?qū)嵙?qiáng)、供求關(guān)系穩(wěn)定的企業(yè)提供貸款，其中信譽(yù)度高、信貸風(fēng)險(xiǎn)小的企業(yè)提供利率優(yōu)惠。依據(jù)信貸
中國(guó)市場(chǎng) 2021年27期2021-09-14
- 基于機(jī)器學(xué)習(xí)算法的中小企業(yè)信用評(píng)估研究
章建立了基于隨機(jī)森林和支持向量機(jī)兩種機(jī)器學(xué)習(xí)算法的信用預(yù)測(cè)模型，并引入ACC、AUC以及FNR評(píng)價(jià)指標(biāo)來(lái)衡量模型預(yù)測(cè)的效果。對(duì)比實(shí)驗(yàn)表明，基于隨機(jī)森林的信用預(yù)測(cè)模型較支持向量機(jī)模型具有更好的預(yù)測(cè)效果，證實(shí)了模型的優(yōu)越性。關(guān)鍵詞：隨機(jī)森林;支持向量機(jī)（SVM）;信用評(píng)估模型;中小企業(yè)0 引言中小微企業(yè)在吸收社會(huì)就業(yè)和促進(jìn)經(jīng)濟(jì)發(fā)展方面逐漸發(fā)揮著越來(lái)越重要的作用[1]，而中小企業(yè)本身內(nèi)外部的局限性也使其始終面臨著嚴(yán)重的融資缺口。在此背景下，各金融企業(yè)放寬了對(duì)其貸
無(wú)線互聯(lián)科技 2021年12期2021-09-13
- 基于LSTM模型的國(guó)民經(jīng)濟(jì)GDP增長(zhǎng)預(yù)測(cè)建模研究
;特征選擇;隨機(jī)森林中圖分類號(hào)：F12 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ?文章編號(hào)：1673-291X（2021）19-0005-05引言近幾年，全球經(jīng)濟(jì)和貿(mào)易增長(zhǎng)逐漸放緩。國(guó)際環(huán)境復(fù)雜多變，貿(mào)易壁壘不斷增加，世界經(jīng)濟(jì)面臨增長(zhǎng)乏力的局面。中國(guó)經(jīng)濟(jì)正在由高速增長(zhǎng)階段轉(zhuǎn)向高質(zhì)量發(fā)展。受全球經(jīng)濟(jì)放緩和中美貿(mào)易摩擦不確定的影響，經(jīng)濟(jì)運(yùn)行總體平穩(wěn)，GDP增速放緩。GDP增速反映經(jīng)濟(jì)發(fā)展趨勢(shì)，與人民的生活水平息息相關(guān)。中國(guó)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，中國(guó)經(jīng)濟(jì)經(jīng)過(guò)多年的高
經(jīng)濟(jì)研究導(dǎo)刊 2021年19期2021-09-12
- 基于AdaBoost-隨機(jī)森林算法的農(nóng)戶信貸風(fēng)險(xiǎn)評(píng)估研究
Boost-隨機(jī)森林方法對(duì)農(nóng)戶小額信貸風(fēng)險(xiǎn)進(jìn)行評(píng)估。根據(jù)模型結(jié)果，構(gòu)建農(nóng)村信貸風(fēng)險(xiǎn)管理體系，在降低信貸風(fēng)險(xiǎn)的同時(shí)最大限度致力于金融扶貧工作。關(guān)鍵詞：農(nóng)戶信貸風(fēng)險(xiǎn);AdaBoost;隨機(jī)森林二十一世紀(jì)以來(lái)，“三農(nóng)”問(wèn)題一直對(duì)國(guó)家農(nóng)村經(jīng)濟(jì)發(fā)展和金融穩(wěn)定有著很大的影響，要想發(fā)展農(nóng)村經(jīng)濟(jì)，必不可少的一步就是加大對(duì)農(nóng)村金融的投入，基于此農(nóng)戶小額信貸開(kāi)始在我國(guó)農(nóng)村普遍實(shí)行開(kāi)來(lái)。金融政策不斷加大對(duì)農(nóng)戶的服務(wù)力度，力求建立完整、完善的信貸風(fēng)險(xiǎn)評(píng)估機(jī)制對(duì)有貸款需求的農(nóng)戶進(jìn)行
商業(yè)2.0-市場(chǎng)與監(jiān)管 2021年3期2021-09-10
- 基于物元分析法的石材可鋸性分級(jí)
標(biāo)體系。采用隨機(jī)森林算法（Random Forest，RF）對(duì)石材可鋸性評(píng)價(jià)指標(biāo)進(jìn)行賦權(quán)，基于物元分析法評(píng)定石材的可鋸性等級(jí)。研究結(jié)果表明，通過(guò)RF確定指標(biāo)權(quán)重可以減少主觀賦權(quán)的影響;利用物元分析法綜合評(píng)價(jià)石材可鋸性，確定企業(yè)加工石材的可鋸性為0.042，容易等級(jí)，可為企業(yè)進(jìn)行石材加工提供參考依據(jù)。關(guān)鍵詞：石材;可鋸性;隨機(jī)森林;物元分析法中圖分類號(hào)：TH12;TH16文獻(xiàn)標(biāo)志碼：A收稿日期：2020-09-18基金項(xiàng)目：國(guó)家自然科學(xué)基金（批準(zhǔn)號(hào)：7170
- 基于隨機(jī)森林模型的臺(tái)區(qū)相序識(shí)別方法
，提出了基于隨機(jī)森林算法的低壓臺(tái)區(qū)相序關(guān)系自動(dòng)識(shí)別方法。首先基于隨機(jī)算法原理搭建了用于臺(tái)區(qū)相序識(shí)別的隨機(jī)森林算法模型，并提出采用 F1_score統(tǒng)計(jì)值作為識(shí)別模型的評(píng)價(jià)指標(biāo);然后將搭建好的模型應(yīng)用到實(shí)際臺(tái)區(qū)進(jìn)行訓(xùn)練，訓(xùn)練方式設(shè)置了兩類測(cè)試集：口袋內(nèi)臺(tái)區(qū)測(cè)試集與口袋外臺(tái)區(qū)測(cè)試集;最后將訓(xùn)練好的算法模型對(duì)測(cè)試樣本進(jìn)行相序分許。實(shí)證結(jié)果證明，所提方法對(duì)臺(tái)區(qū)的相序拓?fù)浞治鲇休^高準(zhǔn)確性，為低壓臺(tái)區(qū)拓?fù)浞治鎏峁┝艘环N技術(shù)思路和可行方法。關(guān)鍵詞：低壓臺(tái)區(qū);相序識(shí)別;隨
機(jī)電工程技術(shù) 2021年12期2021-08-21
- 基于BPSO-RF的航運(yùn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究
用風(fēng)險(xiǎn)評(píng)價(jià);隨機(jī)森林中圖分類號(hào)：U692? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? 文章編號(hào)：1006—7973（2021）06-0057-041 引言黨的十八大以來(lái)，習(xí)近平總書(shū)記先后12次視察航運(yùn)企業(yè)，對(duì)新時(shí)代航運(yùn)業(yè)發(fā)展寄予厚望，指出“經(jīng)濟(jì)要發(fā)展，國(guó)家要強(qiáng)大，交通特別是海運(yùn)首先要強(qiáng)起來(lái)”。我國(guó)始終貫徹“一帶一路”、“海運(yùn)強(qiáng)國(guó)”的國(guó)家戰(zhàn)略，“強(qiáng)國(guó)”的基礎(chǔ)是經(jīng)濟(jì)，經(jīng)濟(jì)的增長(zhǎng)離不開(kāi)貿(mào)易，而貿(mào)易的最重要載體就是航運(yùn)。航運(yùn)業(yè)始終處于國(guó)際市場(chǎng)的前
中國(guó)水運(yùn) 2021年6期2021-08-10
- 基于電商評(píng)論的網(wǎng)購(gòu)商品特征提取及價(jià)格預(yù)測(cè)
價(jià)格預(yù)測(cè)? 隨機(jī)森林中圖分類號(hào)：F713.36? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2021）02（a）-0124-06Feature Extraction and Price Forecasting of Online Commodities Based on E-commerce CommentsPU Chengyu（School of Mathemat
科技創(chuàng)新導(dǎo)報(bào) 2021年4期2021-07-27