Wichtige Komplexitätsreduktion des Random Forest in Mehrklassenklassifikationsproblemen

Die Komplexität von Algorithmen in maschinellen Lernproblemen ist besonders bei großangelegten Systemen ein echtes Anliegen. Durch die Erhöhung der Daten-Dimensionalität wird ein besonderer Fokus auf die Entwicklung rechnerisch effizienter Lernmodelle gelegt. In diesem Papier schlagen wir einen Ansatz vor, um die Komplexität eines Mehrklassenlernproblems in Cloud-Netzwerken zu verbessern. Basierend auf dem Random Forest-Algorithmus und dem hochdimensionale UNSW-NB 15-Datensatz wird zunächst eine Anpassung des Algorithmus durchgeführt, um die Anzahl der während der Klassifikation verwendeten gewachsenen Bäume zu reduzieren. Anschließend wenden wir eine bedeutungsbasierte Merkmalsauswahl an, um die Anzahl der Prädiktoren, die am Lernprozess beteiligt sind, zu optimieren. All diese Optimierungen, die im Hinblick auf die beste Leistung unseres Klassifizierers implementiert wurden, führen zu einer erheblichen Verbesserung der rechnerischen Komplexität sowohl während der Trainings- als auch der Vorhersagephasen.