[发明专利]一种基于张量分解的随机森林优化方法及系统

权利要求书

1.一种基于张量分解的随机森林优化方法，其特征在于，所述方法包括：

读入训练数据集作为初始训练集；

基于所述初始训练集采用预设随机抽样方法获取新的训练集以形成随机森林训练集，其中，所述随机森林训练集包括采用随机子空间技术训练决策树模型；

基于所述随机森林训练集中的决策树模型构建张量模型；

利用预设张量分解技术对所述张量模型进行分解；

将分解后的张量进行调整以得到调整后的张量；

在调整后的张量中选取具有整体最优的决策树子集作为最优基分类器子集；以及

利用测试样本集对所述最优基分类器子集进行测试。

2.如权利要求1所述的基于张量分解的随机森林优化方法，其特征在于，所述预设随机抽样方法包括Bootstrap随机抽样方法，所述预设张量分解技术包括HOSVD高阶张量分解技术。

3.如权利要求1所述的基于张量分解的随机森林优化方法，其特征在于，所述基于所述随机森林训练集中的决策树模型构建张量模型的步骤具体包括：

利用宽度优先遍历法逐个访问所述决策树模型中决策树的分裂节点；

统计各个分裂节点内包含的样本类标；

利用多数投票机制确定本节点中每个样本的投票频数；以及

将投票频数作为构建张量模型的基本元素进行构建张量模型。

4.如权利要求1所述的基于张量分解的随机森林优化方法，其特征在于，所述将分解后的张量进行调整以得到调整后的张量的步骤具体包括：

利用设置截断参数对张量分解得到的奇异值矩阵进行截断调整；以及

将截断后的奇异值矩阵和核心张量重新计算得到调整后的张量。

5.如权利要求1所述的基于张量分解的随机森林优化方法，其特征在于，所述在调整后的张量中选取具有整体最优的决策树子集作为最优基分类器子集的步骤具体包括：

将调整后的张量做tree-mode展开；

按照每个决策树对应的元素进行统计，删除小于预设阈值的决策树；

将剩余决策树子集通过Pruning样本集进行测试；以及

选取具有整体最优的决策树子集作为最优基分类器子集。

6.一种基于张量分解的随机森林优化系统，其特征在于，所述基于张量分解的随机森林优化系统包括：

读取模块，用于读入训练数据集作为初始训练集；

随机森林训练模块，用于基于所述初始训练集采用预设随机抽样方法获取新的训练集以形成随机森林训练集，其中，所述随机森林训练集包括采用随机子空间技术训练决策树模型；

张量构建模块，用于基于所述随机森林训练集中的决策树模型构建张量模型；

张量分解模块，用于利用预设张量分解技术对所述张量模型进行分解；

张量调整模块，用于将分解后的张量进行调整以得到调整后的张量；

最优子集选取模块，用于在调整后的张量中选取具有整体最优的决策树子集作为最优基分类器子集；以及

测试模块，用于利用测试样本集对所述最优基分类器子集进行测试。

7.如权利要求6所述的基于张量分解的随机森林优化系统，其特征在于，所述预设随机抽样方法包括Bootstrap随机抽样方法，所述预设张量分解技术包括HOSVD高阶张量分解技术。

8.如权利要求6所述的基于张量分解的随机森林优化系统，其特征在于，所述张量构建模块具体包括：

节点访问子模块，用于利用宽度优先遍历法逐个访问所述决策树模型中决策树的分裂节点；

类标统计子模块，用于统计各个分裂节点内包含的样本类标；

频数统计子模块，用于利用多数投票机制确定本节点中每个样本的投票频数；以及

构建子模块，用于将投票频数作为构建张量模型的基本元素进行构建张量模型。

9.如权利要求6所述的基于张量分解的随机森林优化系统，其特征在于，所述张量调整模块具体包括：

截断子模块，用于利用设置截断参数对张量分解得到的奇异值矩阵进行截断调整；以及

计算子模块，用于将截断后的奇异值矩阵和核心张量重新计算得到调整后的张量。

10.如权利要求6所述的基于张量分解的随机森林优化系统，其特征在于，所述最优子集选取模块具体包括：

张量展开子模块，用于将调整后的张量做tree-mode展开；

统计删除子模块，用于按照每个决策树对应的元素进行统计，删除小于预设阈值的决策树；

样本测试子模块，用于将剩余决策树子集通过Pruning样本集进行测试；以及

最优选取子模块，用于选取具有整体最优的决策树子集作为最优基分类器子集。