自适应概念漂移问题的增量集成分类算法

摘要：

由于数据流具有非平稳特性,即概念漂移问题,导致机器学习模型的性能随着概念漂移的发生而降低.对分类器如何自适应概念漂移进行了研究,提出了以小数据块为输入的增量学习的增强集成算法,用于处理概念漂移情况下的数据流分类问题.该算法没有复杂的参数,但对弱分类器提出较高的要求,每次移除不合格的弱分类器后添加新的弱分类器,在迭代增量训练过程中根据训练误差更新样本和弱分类器的权重,最后通过加权投票方式整合各弱分类器的预测结果.用五组已知具体漂移情况的人工数据和三组未知漂移情况的真实数据进行实验,并与已有的算法进行对比,实验结果表明该算法能很好地处理概念漂移下的数据流分类问题.

关键词：数据流分类问题、概念漂移、集成算法

所属期刊栏目：14

分类号：TP391.4(计算技术、计算机技术)

资助基金：The Scientific Research Foundation for the Overseas Returning Person of Heilongjiang Province under Grant No. LC2018030 黑龙江省留学归国人员科学基金;the Fundamental Research Funds for the Universities of Heilongjiang Province under Grant No.JMRH2018XM04 黑龙江省普通高校基本科研业务费专项资金

在线出版日期：2020-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1200-1210