针对室内兴趣点(point of interest,POI)显著度评价问题,提出了一种基于数据平衡的随机森林(random forest,RF)模型。鉴于现有模型在处理数据不均衡及模拟显著度与影响指标之间复杂非线性关系方面的局限性,聚焦视觉、语义和结构三大维度...针对室内兴趣点(point of interest,POI)显著度评价问题,提出了一种基于数据平衡的随机森林(random forest,RF)模型。鉴于现有模型在处理数据不均衡及模拟显著度与影响指标之间复杂非线性关系方面的局限性,聚焦视觉、语义和结构三大维度,构建了包含34项特征的指标体系。通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)有效缓解数据不平衡和基于重要性权重的特征优化,形成了随机森林评价模型。实验结果表明,该模型在室内POI数据集上展现出卓越的性能,其准确率、精确度、召回率、加权F1分数和曲线下面积分别达到了0.987、0.984、0.987、0.987和0.999;与未进行数据均衡处理的RF模型相比,性能提升了一倍;与其他模型(如支持向量机、遗传规划算法)相比,性能分别提升了15%和5%,且在测试集上也显示出了良好的泛化性能。展开更多
