随机森林是结合Bagging算法和随机子空间方法,以决策树作为基分类器的集成分类算法。自面世以来,随机森林被用于解决各种分类问题,包括信息检索中的重要环节:文本分类。本文对传统随机森林算法进行了介绍与分析,并在此基础上提出传统随机森林算法有以下不足之处:第一,无法增强随机森林中分类性能优秀和削弱分类性能欠佳的决策树对分类结果的影响;第二,没有有效的预防和处理分类过程投票环节后产生的多个类别同时获得最高票数导致难以选择最终分类结果的现象(本文把此现象定义为“平局现象”)的方案。针对上述不足之处,本文对传统随机森林算法进行改进。第一,把分类过程中的投票环节从简单多数投票法改为加权投票法,决策树的权重与其out-of-bag准确率正相关。第二:在算法中添加平局现象的预防和解决措施,预防措施为增加决策树权重的精度,解决措施的基本原则是:遇到平局现象时统计在投票过程后都取得最高票数的所有类别的所有投票者(决策树)的分类性能,以分类性能高的决策树选择的类别作为最终的分类结果。为了验证本文提出的改进后的随机森林算法的有效性和可行性,本文利用中科院自动化所“自动化学科创新思想与科学方法研究”课题组创建的英文、中文语料库进行实验。首先利用改进后的随机森林算法与传统随机森林算法在英文、中文语料库中进行文本分类实验,实验结果表明,改进后的随机森林算法在准确率、F1值上比传统随机森林算法有优势。然后利用改进后的随机森林算法与C4.5、朴素贝叶斯、k近邻算法在英文、中文语料库中进行文本分类实验,实验结果表明,改进后的随机森林算法在准确率、F1值上优于C4.5、朴素贝叶斯、k近邻三种算法。上述实验验证了本文改进的随机森林算法是有效、可行的。