基于蚁群优化的选择性集成数据流分类方法
基于集成学习的数据流分类问题已成为当前研究热点之一,而集成学习存在集成规模大、训练时间长、时空复杂度高等不足,为此提出了一种基于蚁群优化的选择性集成数据流分类方法,用蚁群优化算法挑选出优秀的基分类器来构建集成分类模型.该方法首先对所有基分类器采用交叉验证计算分类精度,同时采用Gower相似系数求出基分类器之间的差异性,然后把分类精度和分类器差异性作为分类器挑选标准,从全部基分类器中选出一部分来构建集成模型,最终挑选的基分类器不仅具有良好的分类精度,同时保持一定差异性.在标准仿真数据集上对构建的集成分类模型进行仿真试验,结果表明,该方法与传统集成方法相比在准确率和稳定性方面均有显著提高.
数据流分类、概念漂移、选择性集成、蚁群优化算法、差异性
14
TP391(计算技术、计算机技术)
国家自然科学基金项目61300170;安徽省自然科学基金项目1608085MF147;安徽省高校省级优秀人才重点项目2013SQRL034ZD
2017-05-24（万方平台首次上网日期，不代表论文的发表时间）
共7页
37-43
