DBC-Forest：具有分箱置信度筛选的深度森林
机器学习
2021-12-28 v1
摘要
作为一种深度学习模型，深度置信度筛选森林（gcForestcs）已在各种应用中取得巨大成功。与传统深度森林方法相比，gcForestcs 通过将高置信度区域中的部分实例直接传递至最终阶段，有效降低了高昂的时间成本。然而，存在一组在高置信度区域中准确率较低的实例，称为误划分实例。为找出这些误划分实例，本文提出深度分箱置信度筛选森林（DBC-Forest）模型，该模型基于置信度将所有实例打包入箱。以此方式，更准确的实例可被传递至最终阶段，性能得以提升。实验结果表明，DBC-Forest 在相同超参数下实现了高度准确的预测，且比其它类似模型更快达到相同准确率。
引用
@article{arxiv.2112.13182,
title = {DBC-Forest: Deep forest with binning confidence screening},
author = {Pengfei Ma and Youxi Wu and Yan Li and Lei Guo and Zhao Li},
journal= {arXiv preprint arXiv:2112.13182},
year = {2021}
}