Resumen

La clasificación de datos desequilibrados es un desafío importante en el campo de la minería de datos. El bosque aleatorio, como un método de aprendizaje de conjunto, suele utilizarse para resolver el problema de clasificación de datos desequilibrados. Para el modelo de predicción de clasificación basado en bosques aleatorios existente, sus hiperparámetros dependen de configuraciones empíricas, lo que conduce al problema de un rendimiento insatisfactorio del modelo. Con el fin de hacer que el bosque aleatorio encuentre el modelado óptimo correspondiente a la característica de los conjuntos de datos desequilibrados y mejorar la precisión de la predicción, aplicamos la optimización de enjambre de partículas mejorada para establecer hiperparámetros razonables del modelo. Este artículo propone una optimización de enjambre de partículas adaptativa basada en bosques aleatorios en clasificación de datos, y un enjambre de partículas adaptativo utilizado para optimizar los hiperparámetros en el bosque aleatorio para garantizar que el modelo pueda

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Clasificación de datos desequilibrados; Bosque aleatorio; Método de aprendizaje de conjunto; Hiperparámetros; Optimización de enjambre de partículas; Rendimiento del modelo
• Keywords:Unbalanced data classification; Random forest; Ensemble learning method; Hyperparameters; Particle swarm optimization; Model performance