數(shù)據(jù)挖掘旨在發(fā)現(xiàn)數(shù)據(jù)中隱含知識或發(fā)現(xiàn)數(shù)據(jù)的未知模式,從數(shù)據(jù)集中找出異常點也是數(shù)據(jù)挖掘領域中的重要任務。異常點檢測作為數(shù)據(jù)挖掘的一種重要方法,在實際應用中發(fā)揮著重要作用,廣泛運用于金融反欺詐、設備故障檢測、網(wǎng)絡入侵、和醫(yī)療影像分析中。異常點檢測挖掘方法對提高工業(yè)生產(chǎn)效率、服務社會生活具有重要意義。現(xiàn)階段基于集成模型的異常點檢測是一個熱點研究課題,而隨機森林方法具有優(yōu)良的分類決策性能。本文以識別出異常點為目標,對隨機森林模型進行改進,提出基于隨機森林模型的異常點檢測算法,具體工作包括以下3個方面:1、提出一種基于模糊樹節(jié)點的隨機森林進行異常點檢測。首先在構(gòu)建隨機森林的分類決策樹過程中,把模糊方法引入到二叉決策樹的節(jié)點中,在節(jié)點中設計關于類別劃分的模糊區(qū)域,在模糊區(qū)域上設計正常與異常隸屬度函數(shù)。當某樣本經(jīng)過決策樹節(jié)點中的模糊區(qū)域時,進行樣本的正常與異常隸屬度計算;若該樣本的異常隸屬度大于正常隸屬度,則該樣本被判別為異常類;否則,該樣本進入決策樹的下層樹節(jié)點,若無下層節(jié)點則被判別為正常類。該樣本的最終類別由隨機森林算法中的投票步驟決定。實驗表明,該算法具有較好的異常點檢測性能。2、提出一種基于... 

【文章來源】：福建師范大學福建省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖2-1兩層決策樹節(jié)點示意圖

第二章基于模糊樹節(jié)點的隨機森林與異常點檢測-13-孩子節(jié)點。對某個樣本做異常點檢測時，在樹節(jié)點中比較其正常隸屬度與異常隸屬度的大小，若異常隸屬度大于正常隸屬度，則表示樣本落入異常區(qū)域，認為是異常點。正常類隸屬度函數(shù)：()()1,211,11,21xaxbxaHAxaxbbxc（2-4）異常類隸屬度函數(shù)：()()11,10,1,1xaxbxaeFAxaxbbxce（2-5）隸屬度函數(shù)中，引入?yún)?shù)對臨界點做微調(diào)整。例如，值域[10,20]是正常類數(shù)據(jù)范圍，對其構(gòu)建模糊區(qū)域，取1，得到隸屬度函數(shù)如圖2-2。圖2-2隸屬度函數(shù)Fig.2-2Membershipfunction

第二章基于模糊樹節(jié)點的隨機森林與異常點檢測-19-實驗對于每個數(shù)據(jù)集，使用不同比例的異常點進行測試，采用F1指標作為評價標準。圖2-3比較了各個算法在四個數(shù)據(jù)集上的綜合性能。IrisSeedsWineDermatology圖2-3F1指標對比Fig.2-3F1indicatorcomparison由圖2-3可見，在Iris和Seeds兩個數(shù)據(jù)集上，新方法的綜合性能F1略低于


本文編號：3234361