一种能够适应概念漂移变化的数据流分类方法

被引：4

作者：

富春岩

葛茂松

机构：

[1] 佳木斯大学公共计算机教研部

来源：

关键词：

数据流; 分类; 概念漂移; 在线学习; 决策树;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

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.

引用

页码：86 / 91

页数：6