A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees

分类在数据挖掘、人工智能和故障检测等应用领域中至关重要。开发准确、适用广泛且高效的分类方法和算法具有强烈的需求。随机森林是一种常用于复杂条件下分类的通用算法。虽然已被广泛采用，但其与不同模糊理论的结合仍值得探索。本文提出了直觉模糊随机森林(IFRF)，一种由直觉模糊决策树(IFDT)组成的新随机森林集成方法。森林中的这些树使用直觉模糊信息增益来选择特征并考虑信息传输中的犹豫。该方法具有自举抽样和特征选择的随机性、模糊逻辑和模糊集的灵活性以及多分类器系统的鲁棒性。广泛的实验表明，IFRF相对于其他最先进的模糊和集成算法具有竞争力和优越性能。IFDT更适合用于集成学习，具有出色的分类准确性。本研究首次提出了基于直觉模糊理论的随机森林集成方法。

本文旨在提出一种新的随机森林集成算法，即基于直觉模糊决策树的直觉模糊随机森林（IFRF），以解决分类问题。

IFRF算法将直觉模糊信息增益用于特征选择，并考虑信息传递中的犹豫不决，结合随机抽样和特征选择的随机性、模糊逻辑和模糊集的灵活性以及多个分类器系统的鲁棒性，提高了分类的准确性。

IFRF算法在多个数据集上进行了广泛的实验，证明了其在模糊和集成算法方面具有竞争力和优越性能。IFDT更适合于集成学习，具有出色的分类准确性。本研究首次提出了基于直觉模糊理论的随机森林集成算法。

最近的相关研究包括使用模糊逻辑和集成算法解决分类问题的其他论文，如“模糊随机森林用于图像分类”和“基于模糊C均值聚类和随机森林的数据分类”。