论文部分内容阅读
本文提出了一种基于训练集划分的随机森林算法。该算法首先将多数类划分为多个不相交子集。然后将每个子集与少数类合并，进行决策树的训练。最后根据平均加权策略构建随机森林，并获取最终的分类规则。本文所提方法避免了原始样本信息的损失，而且保持了子分类器的样本平衡。在人工生成数据集上的仿真实验表明本文方法非常有效。