文献类型：期刊文章

作　　者：吴辰文[1] 梁靖涵[1] 王伟[1] 李长生[1]

机构地区：[1]兰州交通大学电子与信息工程学院,兰州730070

出　　处：《统计与决策》

基　　金：国家自然科学基金资助项目(61163010);甘肃自然科学基金资助项目(1308RJZA111)

年　　份：2017

卷　　号：33

期　　号：21

起止页码：60-63

语　　种：中文

收录情况：BDHX、BDHX2014、CSSCI、CSSCI2017_2018、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：基于随机森林算法中的相关预测因子进行变量选择,在高维回归或分类框架中,变量选择是一项艰巨的任务,甚至在高度相关的预测中变得更加具有挑战性,文章提供了在回归模型上置换重要性测量的理论研究,这使我们能够描述相关性预测和排名的重要性之间的影响。相比于原始随机森林算法使用重要性排名做变量选择,研究结果使用了递归特征消除(RFE)方法做变量选择。通过实验证明了RFE-RF方法对机器学习算法的正确预测有很大的帮助。

关 键 词：随机森林  递归 特征消除  变量选择  机器学习  

分 类 号：F224.9]