一种基于S_Dbw的可变特征算子的改进随机森林算法

针对传统随机森林算法中,由于数据集内部差异程度随着节点分裂迅速降低,导致模型过早收敛的问题,提出允许上下特征不一致的改进随机森林算法.该算法根据聚类评估指标S_Dbw对每次二分k-means的结果进行评估,在节点分裂的过程中选择最合适的特征算子计算数据特征以维持节点数据分裂的可靠性和判别性,提高随机森林的判别能力.在此基础上将该算法的输出形式进行结构化,实现从二维向量调整为一个二维概率分布,构造成一个结构化随机森林.实验证明,针对背景中存在类肤色干扰和光照变化的手部检测,该算法可以有效地提高模型的判别能力.