基于集成随机森林模型的肺结节良恶性分类

针对目前计算机辅助肺结节良恶性分类模型精度较低的问题,提出了一种基于CT图像的集成随机森林模型肺结节良恶性鉴别方法。首先分割肺结节区域,提取其影像学特征向量输入多个基分类器;然后利用每个基分类器的置信度构建集成模型的分类损失函数,求出每个基分类器的权重;最后根据每个基分类器输出的类别概率值进行加权求和,求得其中概率最大值的类作为分类类别。为验证提出的分类模型性能,设计三种实验方案进行测试,准确率分别达到96.41%、91.36%、95.82%;与已有的肺结节良恶性分类模型进行对比,结果表明,集成随机森林分类模型能够有效提高肺结节鉴别良恶性的准确度。

随机森林算法在生物信息学中的应用研究

在生物信息学的研究过程当中,经常会遇到二分类的问题。例如RNA甲基化预测、蛋白质相互作用预测、蛋白质中二硫键的预测等都属于二分类问题。要解决二分类问题,目前在机器学习中提到了很多算法。比较常用的有支持向量机（SVM）和随机森林（RF）算法。文章在研究一般RF算法的同时,进一步讨论了集成RF算法对于处理非平衡数据起到的突出作用,最后分析总结了一般随机森林算法和集成随机森林算法的优缺点。

基于MapReduce的供应链大数据金融信用评估模型

针对供应链金融信用评估中传统单机环境和简单机器学习预测分析的高效性和精准性问题,研究了一种并行的集成学习评估模型,阐述了模型基于MapReduce并行的编程模型,集成多个随机森林,通过建模和预测实现信用评估的理论和技术实现原理。分析了模型的供应链金融信用评估性能,得出该模型能为大数据环境下的供应链金融信用评估提供可行参考的结论。

矿用干式变压器局部放电模式识别方法

为提高矿用干式变压器局部放电模式识别准确率,提出了一种矿用干式变压器局部放电模式识别方法。首先,采用正交匹配追踪算法对原始局部放电信号进行去噪,最大程度保留原始局部放电信号的有用信息;然后,通过自回归模型提取去噪后局部放电信号的自回归系数特征;最后,将自回归系数特征输入随机森林集成分类器对局部放电模式进行识别。实验结果表明,该方法平均识别准确率达98%。