有监督最优路径森林分类中距离度量的比较研究

机器学习因其在图像分类、目标识别、异常检测与数据预测等深远任务上的潜力，在过去十年中备受关注。解决此类应用的通用方法基于有监督学习，其借助大量标注数据，并由所谓的分类器（如 Logistic 回归、决策树、随机森林与支持向量机等）执行。传统分类器的一个替代方案是无参数的最优路径森林（OPF），其采用基于图的方法与距离度量在节点间建立弧进而生成树集，由树集占据节点、定义其标签并塑造森林。然而，其性能与恰当的距离度量密切相关，而距离度量随数据集性质不同可能变化。因此，本文针对应用于有监督最优路径森林分类的广泛距离度量提出了一项比较研究。实验基于文献中知名数据集开展，并与基准分类器对比，展示了 OPF 适应不同领域的能力。