模糊随机森林
Piero Bonissone a, José M. Cadenas b,*, M. Carmen Garrido b, R. Andrés Díaz-Valladares c
摘要：当，。多分类器系统是几个单独的分类相的结果。Breiman研究方法，多分类器系统模糊随机森林为基础这种方法结合了多分类器系统的鲁棒性，各种组合的方法来获得多分类器系统最终比较。分类器系统具有很好的分类精度当测试数据集。然而，与其他分类，(有缺失和模糊值)
引言
分类一直是一个具有挑战性的问题[1,14]。企业和个人进一步加剧了这问题。已经有许多技术和算法解决分类问题。在过去的几年，我们还看到了多分类系统，多分类系统比分类[27]。然而，不完全信息不可避免地会出现在现实领域和。测量一个特定的属性实验过程中的或噪音可能会导致数据信息。，。，不的数据可以通过一个概率分布模型。最后，还。因此，[9,28,30,31]也存在一些实际的问题。
因此，，反过来，此外，在本文中，我们将集中讨论如何(缺失值和模糊值)，[6,10]有噪音的数据具有鲁棒性。要构建多分类器系统，我们按照随机森林方法[8]，以及处理不完，构建随机森林。因此，我们尝试，一树和模糊决策树，增加了森林中树多样性模糊逻辑模糊集管理的灵活性。
投票是随机森林标准。如果，那么。在这项工作中，我们提出在第节中，我们回顾了构成一个多分类器系统，如何每个的输出结合，在第3节，我们解释，模糊随机森林。在第4节，我们定义模糊随机森林。在第5节，我们。最后，。2． 多分类器系统和模糊逻辑
当我们把单独的分类器合理组合在一起时，多分类器系统和模糊逻辑，[1]。多分类器系统是几个单独的分类相。多分类器系统分类器2.1.基于决策树的总效果
近年来一些技术被提出使用不同的基分类器。然而，这项工作。因此，我们。Bagging [7]可以称得上是实现分类器集成的最古老的技术之一。在bagging，Bagging之后便利用这些分类器的决策通过使用统一加权进行投票。
boosting算法[15,32]。从数据集选择数据集。新的数据集误判的可能性的例子。因此，分布在每一步修改，增加了Ho的随机子空间技术[19]Dietterich [13]提出一种方法随机化。这种方法中，。
最后，Breiman [8]提出了随机森林，，可用属性子集是随机选取。在最近的一篇文章[3]，Banfield等人比较这些决策树集成创新技术。他们提出了每个数据集算法2.2.组合方法
在[24,25]。非可训练组合器是那些。可训练。在文献中可训练的也被称为数据依赖的，并分为依赖。数据依赖组包含可训练组合器。，。显式依赖使用的参数是目标例子。boosting，会产生最好的结果[3]。此外，如[8]中的结论，随机森林比基于boosting的集成更耐噪音(当训练集中类属性值的一小部分是随机改变的)。因此，与单个分类器相比较，我们采用了多分类器系统的结果，基于随机森林的集成使用模糊决策树作为基分类器而不使用清晰决策树，增强了抗噪能力。此外，模糊决策树的使用增加了随机森林的优势，我们之前已经阐述了这种技术的类型：用语言变量的可理解性管理不确定性，扩展了不确定或模糊的应用。
3．模糊随机森林：基于模糊决策树的集成
继Breiman’s的方法，我们提出了多分类器系统，它是一种模糊决策树形成的随机森林。我们将它作为模糊随机森林集成，并把它记作FRF集成。
在本节中，我们描述了建立多分类器系统学习阶段的要求，及其分类阶段。在Breiman[8]提出的随机森林中，每个树建造成最大并且不修剪。在每棵树的建造过程中，每一次结点需要分裂(即在结点选择一次测试)，我们只考虑可用属性全集的一个子集和实现每次分裂的一个新的随机选择。这个子集的大小是随机森林中唯一的重要设计参数。因此，每次分裂时，一些属性(包括最好的)可能不会被考虑，但在同一个树中，一次分裂中不包括的属性在其他分裂中可能会被用到。随机森林有两个随机元素[8]：(1)bagging用来对每个树的输入数据集的进行选择;及(2)属性的集合被看成是每个结点分裂的候选。这些随机化增加了树的多样性，当他们的输出组合到一起时，整体的预测精度显著提高。当一个随机森林建成，森林中每棵树约1 /3的样例的训练集中去除。这些样例被称为'“走出袋外”(OOB)[8]；每个树有一组不同的OOB样例。OOB例子并不用来建造树，而是为树建立一个独立的测试样本[8]。
3.1模糊随机森林学习
我们提出算法1来生成随机森林，它的树是模糊决策树，因此定义一个基本的的算法来生成FRF集成。
FRF集成中的每一棵树沿着指导生成的都是模糊树，修改它以适应FRF集成的函数计划。算法2展示了生成算法。
算法2可以在建树的时候不用考虑分裂结点
