AI : Technologie, Aplikacje i Wyzwania : Wyniki i dyskusja

Zoptymalizowany klasyfikator RF został przeanalizowany zarówno przy użyciu oryginalnego zestawu danych testu treningowego (T_F), jak i testu treningowego o zmniejszonej wymiarowości zbioru danych (T_S). W każdym wykonaniu model RF może wybrać najlepsze cechy predykcyjne poprzez losowy wybór cech podczas każdego podziału węzła. Model RF został skalibrowany z optymalnym podzbiorem cech o wielkości m, dla którego jest on najwyższy w stosunku do najniższej wartości błędu worka przy minimalnym R w danym teście. Zaobserwowano, że wydajność zoptymalizowanego klasyfikatora RF znacznie się poprawiła w zestawie danych TS w porównaniu z oryginalnym zestawem danych T_F , mimo że model został skalibrowany z obydwoma zestawami danych. Osiągnął ogólną dokładność OA = 9,45% przy P = 0,96, i ROC = 0,98, gdy model został przeszkolony przy użyciu zestawu danych T_S. Wydajność obliczeniowa klasyfikatora RF została również zwiększona dzięki optymalnemu podzbiorowi cech m = 8 niż oryginalna pierwotna liczba cech m = 147. Zbudowanie modelu uczącego zajęło tylko 6,09 s. Dla zbioru danych T_F model został skalibrowany z m = 11, co również poprawia wydajność klasyfikatora RF z oryginalnymi danymi z pełnym zestawem funkcji. Wydajność zoptymalizowanego klasyfikatora RF jest porównywana z trzema innymi potężnymi klasyfikatorami; perceptron wielowarstwowy (MLP), maszyna wektorów pomocniczych (SVM) i las rotacji.. Zaobserwowano, że ogólna wydajność wszystkich klasyfikatorów jest zwiększona, gdy zostały one przeszkolone za pomocą zestawu danych T_S. Zoptymalizowany klasyfikator RF przewyższał wszystkie inne klasyfikatory zarówno dla zestawów danych T_F, jak i T_S. Dla porównania zarówno klasyfikatory lasu rotacji, jak i klasyfikatory SVM również wykazały zadowalający wynik niż MLP. Mocną stroną zoptymalizowanego klasyfikatora RF jest to, że obniża on koszty obliczeniowe, ponieważ wyszukuje losowo najlepszą cechę z już wybranego optymalnego podzbioru cech, a nie z całego zestawu cech. Umożliwia to również osiągnięcie wyższej wydajności w przypadkach, w których zestawy danych są powiązane z szumem lub dodatkowymi funkcjami. Wybór odpowiedniego rozmiaru klasyfikatora RF jest ważny, ponieważ decyduje o wydajności zarówno dokładności, jak i kosztów obliczeniowych. Studium przypadku zademonstrowane na hiperspektralnym zestawie danych ROSIS-3 przy użyciu zoptymalizowanego klasyfikatora RF zostało uznane za charakterystycznie lepsze i skuteczne pod względem dokładności predykcyjnej i czasu wykonania