Algorithmusoptimierung | MATLAB implementiert den Random-Forest-Algorithmus der BO-RF-Bayes'schen Optimierung
Inhaltsverzeichnis
Liste der Effekte
grundlegende Einführung
Mit Blick auf das Problem, dass es viele Parameter beim Ensemble-Lernen gibt und es an effizienten und genauen Parameteroptimierungsverfahren mangelt, wird ein Bayes'sches Random-Forest-Optimierungsverfahren vorgeschlagen. Das Verfahren verwendet mehrere Entscheidungsbäume, um ein HF-Fehlerdiagnosemodell zu bilden, und verwendet dann einen Gaußschen Prozess als probabilistisches Ersatzmodell und eine Boosting-Strategie als Sammelfunktion, um einen Bayes'schen Optimierungsalgorithmus (BO) zu konstruieren, um die Parameter des HF-Modells zu optimieren. Die experimentellen Ergebnisse zeigen, dass: nachdem das HF-Modell durch Bayes'sche Parameter optimiert wurde, die diagnostische Genauigkeit signifikant verbessert wird; verglichen mit dem zufälligen Suchoptimierungsverfahren hat die Bayes'sche Optimierungssuche bessere Modellparameter und eine höhere Optimierungseffizienz.