基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究

应用阿尔及利亚森林火灾数据，通过Spark MLlib中的决策树算法，提出过滤相关性高的特征参数提升模型性能，对森林火灾进行预测研究。对温度、风速、雨及加拿大森林火险气候指数（FWI）系统中主要指标等特征参数，结合森林火灾的分类情况，使用信息增益标准为Gini的二叉决策树，建立基于决策树的火灾预测模型，对样本数据进行分类预测；提出分析不同特征参数之间的相关性，剔除相关性高的特征参数，利用大数据计算框架Spark建立机器学习工作流，将计算相关性的皮尔森系数与决策树分类算法结合了起来，从而优化模型，提高预测分类精度。预测模型改进前，即未进行相关性分析的森林火灾预测分类总精度为94.94%；预测模型改进后，即进行相关性分析，剔除了相关性较高的特征参数数据，森林火灾预测分类总精度为97.17%，准确率提高了近3%。使用Spark MLlib中的机器学习算法在森林火灾预测分类方面准确率总体较高，尤其在将多种数据挖掘算法结合后，模型性能得到提高，预测分类精度更高。