文献类型：期刊文章

作　　者：王博[1] 庄暨军[2] 熊军[3] 罗小臣[4]

WANG Bo;ZHUANG Ji-jun;XIONG Jun;LUO Xiao-chen(School of Electronic and Information Engineering,Jinggangshan University,Ji’an,Jiangxi 343009,China;Editorial Department of Journal,Jinggangshan University,Ji’an,Jiangxi 343009,China;Office of Budget and Finance,Jinggangshan University,Ji’an,Jiangxi 343009,China;Jinggangshan University Library,Ji’an,Jiangxi 343009,China)

机构地区：[1]井冈山大学电子与信息工程学院,江西吉安343009 [2]井冈山大学学报编辑部,江西吉安343009 [3]井冈山大学计财处,江西吉安343009 [4]井冈山大学图书馆,江西吉安343009

出　　处：《井冈山大学学报（自然科学版）》

基　　金：国家自然科学基金项目(61862035);江西省教育厅科技计划项目(GJJ190561)。

年　　份：2022

卷　　号：43

期　　号：5

起止页码：52-56

语　　种：中文

收录情况：普通刊

摘　　要：针对传统的随机森林算法(RF)在对高维特征数据集计算速度慢、聚类效果不佳的缺陷,提出了一种基于高维特征聚类的随机森林算法(HDFC-RF),首先用传统RF方法对初始高维数据集聚类后,使用K均值聚类(KM)和模糊C-均值(FCM)结合,计算样本相似度,并对聚类特征划分族群,最后通过计算DBI指标,并与相关性阈值δ比较和排序,得到最终的高维特征序列。将HDFC-RF算法应用于高维特征数据集ColonTumor,与传统的RF和FSRF算法比较。实验结果表明,HDFC-RF算法对于高维特征的数据集具有更好的聚类效果、训练速度也更快,具备良好的可行性。

关 键 词：高维特征  特征聚类 随机森林  

分 类 号：TP393.08]