论文部分内容阅读
多类分类作为机器学习领域中的经典任务之一,在面对数据规模日益增长的形势下,样本特征容易出现类间混淆、类内多态的多样性分布。针对传统分类器的不足以及测试计算量大的问题,提出基于优化全局期望损失的标签软分类森林模型,由创新的目标函数主导完成分类树的生成与训练,有效解决特征多样性,并大幅提升测试性能。在人工合成数据集与机器视觉领域标准数据集的实验中,直观诠释了模型的训练特点并清晰,证明了其在分类精度与测试效率上的显著优势。