面向噪音和概念漂移数据流的集成分类算法
隐含概念漂移的数据流分类问题是数据挖掘领域研究的热点之一,而实际数据流中的噪音会影响数据流的分类质量,为此,提出一种面向噪音和概念漂移数据流的集成分类算法.该算法使用支持向量机作为基分类器,采用贝叶斯分类器过滤噪音,利用Hoeffding Bounds不等式确定的双阚值检测概念漂移,并动态地更新分类模型以适应数据流环境的变化.实验结果表明,本文提出的算法可以有效地跟踪检测含噪数据流中的概念漂移,并且具有较好的分类精度.
数据流、噪音、概念漂移、分类、集成模型
37
TP311(计算技术、计算机技术)
国家自然科学基金项目51174257,F030504;中央高校基本科研业务费专项资金项目2013BHZX0040;安徽省教育厅自然科学重点项目KJ2016A549;阜阳师范学院自然科学项目2016FSKJ17
2016-10-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
1445-1449