数据流分类中的增量特征选择算法

被引：4

作者：

李敏 ^{[1
]}

王勇 ^{[2
]}

蔡立军 ^{[1
]}

机构：

[1] 西北工业大学理学院

[2] 西北工业大学计算机学院

来源：

计算机应用 | 2010年 / 30卷 / 09期

关键词：

数据流分类; 信息增益; 增量特征选择; 概念漂移;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP311.13 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 1201 ;

摘要：

概念流动的出现及数据的高维性增加了数据流特征选择的复杂性。信息增益是最有效的特征选择算法之一,但计算量大。对信息增益做了等价替换,提出一种基于改进信息增益的混合增量特征选择(IFS)算法。该算法首先利用与分类器无关的评价函数选出候选特征集合,然后将分类器作用于候选特征集合,利用分类精度作为评价标准去选择特征子集,在遇到概念漂移时重新选择特征子集。通过在超平面数据集和UCI数据集上的实验,表明基于IFS算法的分类器能够很快地适应概念漂移,并且比基于全部特征的分类算法有更高的精度。

引用

页码：2321 / 2323+2328 +2328

页数：4