基于集成学习的空气质量评估

空气质量是生态环境保护的一个重要指标。在空气评估时需对PM2.5、PM10、SO2、O3等因素综合考虑，因此本文提出一种随机森林优化模型SPRF(Secondary Proximity Random Forest)对空气质量进行评估。针对数据不平衡问题，对空气质量样本进行欠采样，并使用Gini指数构建决策树。在构建基分类器时，增加KNN(K Nearest Neighbors)和QDA(Quadratic Discriminant Analysis)作为基分类器参与随机森林集成，采用Bagging的思想将新的分类结果加入投票中提高空气质量评估模型的准确度和稳定性；由于不同决策树在投票中的权重都是相同的，结合卡方检验对决策树的权重进行优化，并选用中国2022年各城市质量数据进行实验。实验结果表明，与决策树、多层感知器等模型相比，SPRF评估模型有较高的评估准确率、精确率、查全率、F1分数。