基于随机森林和投票机制的大数据样例选择算法

摘要

针对大数据样例选择问题,提出了一种基于随机森林(RF)和投票机制的大数据样例选择算法.首先,将大数据集划分成两个子集,要求第一个子集是大型的,第二个子集是中小型的.然后,将第一个大型子集划分成q个规模较小的子集,并将这些子集部署到q个云计算节点,并将第二个中小型子集广播到q个云计算节点.接下来,在各个节点用本地数据子集训练随机森林,并用随机森林从第二个中小型子集中选择样例,之后合并在各个节点选择的样例以得到这一次所选样例的子集.重复上述过程p次,得到p个样例子集.最后,用这p个子集进行投票,得到最终选择的样例子集.在Hadoop和Spark两种大数据平台上实现了提出的算法,比较了两种大数据平台的实现机制.此外,在6个大数据集上将所提算法与压缩最近邻(CNN)算法和约简最近邻(RNN)算法进行了比较,实验结果显示数据集的规模越大时,与这两个算法相比,提出的算法测试精度更高且时间消耗更短.证明了提出的算法在大数据处理上具有良好的泛化能力和较高的运行效率,可以有效地解决大数据的样例选择问题.