ランダム決定森

決定木は、その高速な実行速度から魅力的な分類器です。しかし、従来の方法で導出された木は、未知のデータに対する一般化精度の損失の可能性から、任意の複雑さまで成長させることができないことが多いです。複雑さの制限は通常、訓練データに対する最適でない精度を意味します。確率的モデリングの原理に従い、訓練及び未知データの両方の精度向上のために、容量を任意に拡大できる木ベースの分類器を構築する方法を提案します。この方法の本質は、特徴空間のランダムに選択された部分空間内に複数の木を構築することにあります。異なる部分空間内の木は分類を相補的に一般化し、それらの組み合わせ分類は単調に改善できます。この方法の有効性は、手書き数字認識の実験を通じて示されています。