模糊树节点的随机森林与异常点检测

作者：胡淼; 王开军^*; 李海超; 陈黎飞

来源：南京大学学报(自然科学), 2018, 54(06): 1141-1151.

DOI：10.13232/j.cnki.jnju.2018.06.010

• 异常点检测
• 集成学习
• 随机森林
• 模糊隶属度函数
• 模糊树节点

提出一种模糊树节点的随机森林算法进行异常点检测.在构建随机森林的分类决策树过程中,把模糊方法引入到二叉决策树的节点中,在节点中设计关于类别划分的模糊区域,在模糊区域上设计正常与异常隶属度函数.当某样本通过决策树节点的模糊区域时,若该样本的异常隶属度大于正常隶属度,则该样本被判别为异常类;否则,该样本进入决策树的下层树节点,若无下层节点则被判别为正常类.该样本的最终类别由随机森林算法中的投票步骤决定.在四个UCI数据集上的实验结果表明,在异常点检测的综合性能(召回率、精度和准确率)上,与基于随机森林的异常点检测算法RFV和RFP相比,新方法不仅具有较高的综合性能且性能稳定,还具有与一类支持向量机相当的性能,其部分实验结果优于一类支持向量机.

• 出版日期2018
• 单位福建师范大学