一种能够适应概念漂移变化的数据流分类方法

摘要：

目前多数的数据流分类方法都是基于数据稳定分布这一假设,忽略了真实数据在一段时间内会发生潜在概念性的变化,这可能会降低分类模型的预测精度.针对数据流的特性,提出一种能够识别并适应概念漂移发生的在线分类算法,实验表明它能根据目前概念漂移的状况,自动地调整训练窗口和模型重建期间新样本的个数.

关键词：数据流、分类、概念漂移、在线学习、决策树

所属期刊栏目：2

分类号：TP311.13(计算技术、计算机技术)

在线出版日期：2007-10-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：86-91