应用于非精确图匹配的改进DF模型

针对传统深度森林算法提取的特征不够完整,以及采取的等权决策机制对分类结果易产生差异性等问题,提出一种应用于非精确图匹配的改进DF模型(IDF)。首先,在挖掘特征子集的过程中,采取融合移动窗口和随机移动窗口的方式。在移动窗口扫描样本的同时,随机捕获一个与移动扫描窗口相同大小的特征子集,两者构成新的特征子集,从而将新特征子集作为级联森林模块的输入。其次,在级联森林的迭代过程中,计算当前森林的决策结果所占权重,并与上一级森林进行对比,采用Min的权值策略规则赋值给当前森林,逐次迭代直至结果满足模型所设定的阈值。最后,在MUTAG、PTC、COX2等数据集上进行了训练和测试。实验结果表明,相比于传统深度森林算法,IDF充分考虑了图的结构特征,能够有效增强样本的拟合优度及多样性,降低了级联模块中各子树的决策差异及模型的复杂度,有效提升了模型的分类识别率。