文献类型：期刊文章

作　　者：甘胜江[1] 白艳宇[2] 孙连海[1] 何俊林[1]

GAN Sheng-jiang BAI Yan-yu SUN Lian-hai HE Jun-lin(School of Computer Sciences, Chengdu Normal University, Chengdu 611130, China Department of Information and Technology, College of Information and Business, Zhongyuan University of Technology, Zhengzhou 450053, China)

机构地区：[1]成都师范学院计算机科学学院,四川成都611130 [2]中原工学院信息商务学院信息技术系,河南郑州450053

出　　处：《计算机工程与设计》

基　　金：中国博士后科学基金面上基金项目(2014M560730);四川省科技厅应用基础基金项目(2015JY0071);成都师范学院高层次引进人才专项科研基金项目(YJRC2014-9);成都师范学院自然科学类培育基金项目(CS14ZD02)

年　　份：2017

卷　　号：38

期　　号：8

起止页码：2251-2255

语　　种：中文

收录情况：BDHX、BDHX2014、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：对K近邻和随机森林学习方法进行改进,提出一种融合的机器学习方法。通过计算待分类特征与训练库中各个类中心之间的距离,进行最近邻分类,增强K近邻学习方法的鲁棒性,提高其运算效率;通过随机划分将改进KNN分类器的多元输出转化为二元输出,用其构建随机森林中各个决策结点的决策函数,降低各决策结点数据的错分率,提高随机森林学习方法的目标分类正确率。实验结果表明,该方法对手写数字目标的分类正确率高于经典的K近邻、Adaboost、支持向量机和随机森林学习方法。

关 键 词：机器学习  K近邻 随机森林  支持向量机 目标分类  

分 类 号：TP391]