基于实例加权方法的概念漂移问题研究

被引：5

作者：

胡学钢

潘春香

机构：

[1] 合肥工业大学计算机与信息学院

来源：

计算机工程与应用 | 2008年 / 21期

基金：

安徽省自然科学基金;

关键词：

数据流; 概念漂移; 集成分类器; 分类;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

数据流上的漂移概念发现已成为数据挖掘领域的研究热点之一。针对存在概念漂移的数据流分类问题,提出一种基于实例加权方法的数据流分类算法(EWAMDS),根据基分类器在训练实例上的分类结果调整该实例的权值,以增强漂移实例在新分类器中的影响,同时引入动态的权值修改因子以提高算法的适应性。实验结果表明,动态地调整实例的权值时算法的适应性更强;与weighted-bagging相比,EWAMDS的时间开销显著降低、分类正确率显著提高。

引用

页码：188 / 191

页数：4

共 12 条

[1]

Models and issues in data stream systems. Babcock B,Babu S,Datar M,et al. Proceedings of21st ACM Symposium on Prin-ciples of Database Systems . 2002

[2]

A dynamic weighted majority:a new ensemble method for tracking concept drift. Kolrer J Z,Marcus. Proceedings of the3rd IEEE Conference on Data Mining . 2003

[3]

Boosting classifiers for drifting con-cepts. Scholz M,Klinkenberg R. Intelligent Data Analysis . 2007

[4]

Mining concept-drifting data streams using ensemble classifiers. Wang H,Fan Wei,Yu P,et al. Proceedings of9th ACM SIGKDD In-ternational Conference on Knowledge Discovery and Data Mining . 2003

[5]

Using additive expert ensembles to cope with concept drift. Kolter J Z,Maloof M A. Proceedings of the22nd International Con-ference on Machine Learning . 2005

[6]

Forest trees for on-line data. Gama J,Medas P,Rocha R. Pro-ceedings of the19th Annual ACM Symposium on Applied Com-puting . 2004

[7]

Mining time-changing data streams. Hulten G,Spencer L,Domingos P. Proceedings of the7th ACM SIGKDD International Con-ference on Knowledge Discovery and Data Mining . 2001

[8]

Dynamic classifier selec-tion for effective mining from noisy data streams. Zhu Xingquan,Wu Xingdong,Ying Yang. Proceedings of the4th IEEE International Conference on Data Mining . 2004

[9]

Issues in data stream management. Golab L,Ozsu M T. Proceed-ings of the2003ACM SIGMOD International Conference on Man-agement of Data . 2003

[10]

Fast and light boosting for adaptive mining of data streams. Chu F,Zaniolo C. . 2004

← 1 2 →