《表2 特征指标重要度排序》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于自然驾驶数据的分心驾驶行为识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

最后，本文采用2种集成学习算法获取重要指标。方法1为梯度提升决策树-递归特征消除算法（Gradient Boosting Decision Tree-recursive Feature Elimination，GBDT-RFE），其中GBDT是一种常用的Boosting算法，能根据基学习器的表现对训练样本分布进行调整，使得先前的基学习器做错的训练样本在后续获得更多关注，最终将N个基学习器进行加权结合，得到最优分类结果[30]。方法2为随机森林-递归特征消除算法（Random Forest-recursive Feature Elimination，RF-RFE），随机森林属于Bagging方法的一种，它在决策树集成的基础上在训练过程中进一步引入了随机属性选择，输出的指标类别由各棵树投票而定。GBDT-RFE和RF-RFE算法分别采用GBDT和RF分析指标的重要性，得到指标的重要度排序，进而通过RFE方法遍历选择重要度高的特征。本文使用5折交叉验证，2种算法的特征个数与交叉验证正确分类分值的关系如图5(b）所示。可以发现，特征个数N=21时，GBDT-RFE和RF-RFE的分类正确值同时接近最优，且两者所获重要度排名前21的指标有80%以上的重合率，重要度排序结果基本一致。因此，本文选择了平均正确分类分值较高的GBDT-RFE获得前21个指标，如表2所示。