一种多样性和精度加权的数据流集成分类算法
为了克服数据流中概念漂移对分类的影响,提出了一种基于多样性和精度加权的集成分类方法(diversity and accuracy weighting ensemble classification algorithm,DAWE),该方法与已有的其他集成方法不同的地方在于,DAWE同时考虑了多样性和精度这两种度量标准,将分类器在最新数据块上的精度及其在集成分类器中的多样性进行线性加权,以此来衡量一个分类器对于当前集成分类器的价值,并将价值度量用于基分类器替换策略.提出的DAWE算法与MOA中最新算法分别在真实数据和人工合成数据上进行了对比实验,实验表明,提出的方法是有效的,在所有数据集上的平均精度优于其他算法,该方法能有效处理数据流挖掘中的概念漂移问题.
数据流、概念漂移、多样性、精度、集成学习、数据块、价值度量、MOA
14
TP391(计算技术、计算机技术)
国家自然科学基金项目61672086,61702030,61771058;北京市自然科学基金项目4182052
2019-03-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
179-185