随机森林作为一种组合分类技术,因其抗噪声能力强、易于并行化等诸多优势被广泛应用于人工智能、机器学习、模式识别等领域。但随机森林在模型建立过程中优劣程度不同的子树以相同权重进行投票预测,使得模型的准确率和泛化性能均有所降低,同时在模型训练过程中超参数较多,传统的Grid search搜索方法无法有针对性的快速寻求到全局最佳参数组合。针对上述问题,提出一种改进随机森林模型参数优化算法。首先,通过将逻辑回归模型融入到子树建立的过程中,利用逻辑回归的高效性,在每棵子树的袋外数据上计算错误率;其次,剔除错误率超过一定阈值的子树以加快模型的预测速度,同时利用对数几率的推导关系将错误率转换为子树权重,在最终模型的投票预测表决中,使错误率较低的子树起较大的作用,错误率较高的子树起较小的作用;最后,将人工鱼群加速算法应用于改进随机森林模型参数优化中组成一个完整的数据分类模型。在Bank、Covtype、Credit、Connect四份UCI数据集上的实验结果表明,相比于原始随机森林算法,在AUC值及综合指标F1值上,平均分别提高了2.14%、1.98%,与Adaboost算法相比平均分别提升了1.74%、2.23%。在算法预测性能方面,与随机森林和Adaboost相比时间消耗分别降低了37%、29%,有效的改善了模型的预测性能。模型参数选择上相比于Grid search搜索方法在Bank、Covtype、Credit、Connect、Font、Active六份UCI数据上,时间消耗平均降低了25.5%,准确率平均提升2%~3%,为随机森林算法的参数调优提供了一种切实可行的方法。该论文有图27幅,表16个,参考文献55篇。