相关下载详见 “视觉计算研究论坛”「SIGVC BBS」：http://www.sigvc.org/bbs/thread-29-1-3.html

 

Random forest =    a classifier consisting of a collection of tree-structured classifiers  {h(x,Qk),k=1,...} where the   {Qk}   are independent identically distributed random vectors and each tree casts a unit vote for the most popular class at input。

Two kinds of RF

—Results of Forest-RI

—误差率和AdaBoost差不多

—F = 1 和 log2M + 1误差率差不多

—在三个大数据集上F = 1 比 log2M + 1误差率有一定差距

—结论：

—RF和AdaBoost的分类性能差不多

—RF的速度比AdaBoost快很多

—很多时候只随机取一个输入（F=1）就能得到很好的效果

 

 

 

—Results of Forest-RC

—误差率和AdaBoost差不多

—小样本集上F=2足够，F=8有点多余

—大样本集上F=8更好

—结论：

—RF和AdaBoost的分类性能差不多

—Forest-RC和Forest-RI差不多，在合成数据集上Forest-RC更好

 

—RF的特点：

—具有和现有最好的分类算法同样的分类性能

—速度快：可以并行（更快），不需要交叉验证

—不会过拟合

—数据不需要预处理，对外点和缺少特征鲁棒

—可以用定义的样本proximity进行聚类

—和boosting比的优点：

—调节参数较容易

—大样本集上速度快

—不会过拟合

—可以并行处理各个树，因为它们是独立的

—证明误差上界和分类器强度和彼此相关性的关系

—多种随机性可以提高分类性能：随机输入，bagging

转载本文请联系原作者获取授权，同时请注明本文来自吴怀宇科学网博客。
链接地址：https://wap.sciencenet.cn/blog-4099-637555.html

上一篇：[CV论文读讲] spectral clustering谱聚类
下一篇：[CV论文读讲] Sparse Approximated Nearest Points for Image