[发明专利]基于混合式网络的随机森林策略优化方法、存储介质

说明书

本发明提供基于混合式网络的随机森林策略优化方法、存储介质，方法包括：随机选取预设个数的待学习数据作为超级节点；待学习数据通过决策树产生对应决策树数量的数据结果集；将数据结果集的各个数据结果分别随机发送至混合式网络的任一超级节点；超级节点一旦接收到新的数据结果，将依据列表状态判断是否将数据结果作为自己的子节点，并将数据结果广播给与其连接的其他超级节点，直至所有的超级节点均接收过所有的数据结果。本发明不仅消除了黑盒子特性，实现随机森林数据计算的透明化；而且去除过拟合，显著提高数据结果的准确度；能显著提高整个CNN网络学习的效率和输出数据的准确性。

技术领域

本发明涉及深度学习领域，具体涉及基于混合式网络的随机森林策略优化方法、存储介质。

背景技术

目前深度学习数据选择有很多算法，其中决策树的拓展算法“随机森林”是通过同时获取多个样本进行计算，然后把这些决策树计算出来的结果整合后，通过投票得出最终的预估结果。我们把决策树当作一个弱分类器，每个决策树是一个独立个体，计算出结果后，将所有结果整合在一起，然后选择结果一致数多的数据作为最终结果。整个过程被称为随机森林算法，把所有相同的决策树结果合并起来就叫做随机森林。

决策树因为对结果要求过于严格，而会存在过拟合现象(认为百分百一致才是正确，99.9％一致也是错误)，所以为了解决决策树的问题，产生了随机森林算法。随机森林算法会把所有经过并行决策树的结果整理统计，通过选择出一致数多的结果作为正确结果。这样做虽然在一定程度上解决了过拟合现象，但是衍生了新的问题。首先，在随机森林遴选决策树数据时，对于建模者来说是在一个黑盒子里面进行，无法控制模型内部数据的运行，只能做不停的尝试。其次，很多结果相似的决策树，会掩盖真实的结果，导致数据结果与模型需要结果产生偏差。最后，当可计算数据量较少或者非有用数据干扰较多时，随机森林算法并不能给出一个连续输出，在数据回归时，不能给出超过理想值的结果。

发明内容

本发明所要解决的技术问题是：提供一种基于混合式网络的随机森林策略优化方法、存储介质，消除黑盒子特性，同时提高数据结果的准确性。

为了解决上述技术问题，本发明采用的技术方案为：

基于混合式网络的随机森林策略优化方法，包括：

预设混合式网络中超级节点的列表状态；

随机选取预设个数的待学习数据作为超级节点，且超级节点之间相互关联；

待学习数据通过决策树产生对应决策树数量的数据结果集；

将数据结果集的各个数据结果分别随机发送至混合式网络的任一超级节点；

超级节点一旦接收到新的数据结果，将依据列表状态判断是否将所述数据结果作为自己的子节点，并将所述数据结果广播给与其连接的其他超级节点，直至所有的超级节点均接收过所有的数据结果。

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行时，能实现上述基于混合式网络的随机森林策略优化方法所包含的步骤。

本发明的有益效果在于：通过随机选取数据作为超级节点构建混合式网络，在多个决策树并行工作时，开始在超级节点之间广播决策数生成的数据结果，利用广播消息可获取的特性消除黑盒子特性，实现随机森林数据计算的透明化；同时，超级节点依据列表状态挂载数据结果，能最大量去除过拟合，显著提高数据结果的准确度；进一步的，又能利用区块链的混合式网络特性，避免数据泛洪传播过量，节省资源的同时提高学习效率；进一步的，在传入小量级数据时，能通过将数据结果在所有超级节点之间广播而实现变相扩展数据量，确保数据结果的可靠性。通过本发明，能显著提高整个CNN网络学习的效率和输出数据的准确性。

附图说明