Key points are not available for this paper at this time.
Propomos um classificador de floresta aleatória aprimorado que realiza classificação com o mínimo número de árvores. O método proposto remove iterativamente algumas características não importantes. Com base no número de características importantes e não importantes, formulamos um novo limite teórico superior para o número de árvores a serem adicionadas à floresta para garantir a melhoria na precisão da classificação. Nosso algoritmo converge com um conjunto reduzido, mas importante, de características. Provamos que a adição adicional de árvores ou a redução adicional de características não melhora o desempenho da classificação. A eficácia da abordagem proposta é demonstrada por meio de experimentos em conjuntos de dados de referência. Além disso, usamos o classificador proposto para detectar núcleos mitóticos nos conjuntos de dados histopatológicos de tecidos mamários. Também aplicamos nosso método no conjunto de dados industrial de microestruturas de aço em fase dupla para classificar diferentes fases. Os resultados do nosso método em diferentes conjuntos de dados mostram uma redução significativa na média de erro de classificação em comparação com vários métodos concorrentes.
Paul et al. (Qui,) estudaram essa questão.