Online random forest

「已注销」

于 2015-10-22 08:09:57 发布

阅读量1.3k

点赞数

分类专栏：随机森林

本文链接：https://blog.csdn.net/ff19910203/article/details/49328571

版权

在线随机森林(Online Random Forest)是一种适用于在线学习的机器学习模型。与传统的批量模式学习不同，它能处理序列到达的数据，且内存需求较低。随机森林本身具有训练和分类速度快、易于并行化、对噪声标签鲁棒性强等优点。在线随机决策树通过随机生成测试函数和阈值形成极随机森林。实验表明，这种在线学习算法在标准数据集和视觉物体追踪任务中表现良好。

摘要由CSDN通过智能技术生成

Online randomforest

1. online learning的概念

对于online learning，他的数据是come in sequence也就是说training sample是一个一个来，或者是几个几个来，然后classifier根据新来的sample进行更新。Online Learning是比较困难的，主要是你无法知道将来的数据是如何的。显然SVM和Adaboost是行不通的。最近几年也有一些人在做online learning的研究，主要方法还是集中在online boosting这一块。

传统的SVM和adaboost都是batch modelearning. Batch mode learning，就是所有的训练数据都是available的（或者说所有训练数据都已经存在于内存当中），这种方法有两个缺点：

1) 有的时候数据量太大，在内存中放不下，处理起来不方便

2) 由于应用环境限制，有时候无法再训练之前得到所有的训练数据

1. RF适合做计算机视觉的原因[1]

a) First, they arevery fast in both training and classification.

也就是说，RF速度快，效率高，这是外不能及的优势

b) Second, they canbe easily parallelized, which makes them interesting for multi-core and GPUimplementations [2].