基于增量式学习的数据流实时分类模型

摘要：

传统数据挖掘方法,主要针对静态数据进行挖掘,而对数据流挖掘往往失效.为了解决数据流的数据挖掘问题,提出一种通过改变传统支持向量机增量式学习方法,利用轮转式结构将多分类器按照数据流时间顺序进行组合,并且通过对分类器的优化,可以提高模型对数据流分类的准确率并减少训练时间消耗.实验结果表明,该模型在保证学习精度和推广能力的同时,提高了训练速度,适合于数据流在线分类和在线学的问题.

关键词：增量式学习、支持向量机、网络异常检测、概念漂移、多分类器模型

所属期刊栏目：33

分类号：TP181(自动化基础理论)

在线出版日期：2013-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：4225-4229