本文選題：概念漂移　切入點(diǎn)：數(shù)據(jù)流　出處：《模式識(shí)別與人工智能》2017年01期 　論文類型：期刊論文

【摘要】：獲取數(shù)據(jù)流上樣本的真實(shí)類別的代價(jià)很高,因此標(biāo)記所有樣本的方式缺乏實(shí)用性,而隨機(jī)標(biāo)記部分樣本又會(huì)導(dǎo)致模型的不穩(wěn)定.針對(duì)上述問(wèn)題,文中提出基于聚類假設(shè)的數(shù)據(jù)流分類算法.基于通過(guò)聚類算法分到同類中的樣本可能具有相同類別這一聚類假設(shè),利用訓(xùn)練數(shù)據(jù)集上的聚類結(jié)果擬合樣本的分布情況,在分類階段有目的性地選取很難分類或潛在概念漂移的樣本更新模型.為了訓(xùn)練數(shù)據(jù)集上每個(gè)類別的樣本,建立各自對(duì)應(yīng)的基礎(chǔ)分類器,當(dāng)數(shù)據(jù)流中樣本的類別消失或重現(xiàn)時(shí),只需要凍結(jié)或激活與之對(duì)應(yīng)的基礎(chǔ)分類器,而無(wú)需再重新學(xué)習(xí)之前已經(jīng)掌握的知識(shí).實(shí)驗(yàn)表明,文中算法能夠在適應(yīng)概念漂移的前提下,減少更新模型需要的樣本數(shù)量,并且取得和當(dāng)前數(shù)據(jù)流上的分類算法相當(dāng)或更好的分類效果.
[Abstract]:The cost of obtaining the true categories of samples on a data stream is very high, so the way all samples are labeled is not practical, and random marking of parts of samples can lead to instability of the model. In this paper, a data stream classification algorithm based on clustering hypothesis is proposed. Based on the clustering assumption that the samples in the same class may have the same class, the clustering results on the training data set are used to fit the distribution of the samples. In order to train the samples of each category in the data set, a corresponding basic classifier is established, when the class of the sample in the data stream disappears or reappears. It is only necessary to freeze or activate the corresponding basic classifier without relearning the previous knowledge. Experiments show that the proposed algorithm can reduce the number of samples needed to update the model on the premise of adapting to the drift of the concept. And the classification algorithm is comparable to or better than the current classification algorithm on the data stream.
【作者單位】： 福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院;
【基金】：福建省自然科學(xué)基金項(xiàng)目(No.2016J01280)資助~~
【分類號(hào)】：TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 Omid ABBASZADEH;Ali AMIRI;Ali Reza KHANTEYMOORI;;An ensemble method for data stream classification in the presence of concept drift[J];Frontiers of Information Technology & Electronic Engineering;2015年12期

2 郭躬德;李南;陳黎飛;;一種基于混合模型的數(shù)據(jù)流概念漂移檢測(cè)算法[J];計(jì)算機(jī)研究與發(fā)展;2014年04期

3 李南;郭躬德;陳黎飛;;基于少量類標(biāo)簽的概念漂移檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用;2012年08期

4 徐文華;覃征;常揚(yáng);;基于半監(jiān)督學(xué)習(xí)的數(shù)據(jù)流集成分類算法[J];模式識(shí)別與人工智能;2012年02期

5 陳黎飛;郭躬德;;最近鄰分類的多代表點(diǎn)學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2011年06期

6 辛軼;郭躬德;陳黎飛;畢亞新;;IKnnM-DHecoc:一種解決概念漂移問(wèn)題的方法[J];計(jì)算機(jī)研究與發(fā)展;2011年04期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉三民;劉濤;王忠群;修宇;劉余霞;孟超;;融合分類器可信度的數(shù)據(jù)流集成分類[J];應(yīng)用科學(xué)學(xué)報(bào);2017年02期

2 李南;;基于聚類假設(shè)的數(shù)據(jù)流分類算法[J];模式識(shí)別與人工智能;2017年01期

3 李南;;低代價(jià)的數(shù)據(jù)流分類算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2016年12期

4 鄧大勇;苗奪謙;黃厚寬;;信息表中概念漂移與不確定性分析[J];計(jì)算機(jī)研究與發(fā)展;2016年11期

5 王中心;孫剛;王浩;;面向不完全標(biāo)記數(shù)據(jù)流的集成分類算法[J];阜陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年03期

6 王倫文;馮彥卿;張鈴;;動(dòng)態(tài)數(shù)據(jù)挖掘的構(gòu)造性學(xué)習(xí)方法綜述[J];小型微型計(jì)算機(jī)系統(tǒng);2016年09期

7 文益民;唐詩(shī)淇;馮超;高凱;;基于在線遷移學(xué)習(xí)的重現(xiàn)概念漂移數(shù)據(jù)流分類[J];計(jì)算機(jī)研究與發(fā)展;2016年08期

8 張任;;基于模糊并行約簡(jiǎn)的模糊概念漂移探測(cè)[J];微型機(jī)與應(yīng)用;2016年12期

9 劉志鵬;張國(guó)毅;;一種新的雷達(dá)信號(hào)實(shí)時(shí)分選方法[J];航天電子對(duì)抗;2016年02期

10 馮超;文益民;湯凌冰;;基于主要特征抽取的重現(xiàn)概念漂移處理算法[J];數(shù)據(jù)采集與處理;2016年02期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李南;郭躬德;;面向高速數(shù)據(jù)流的集成分類器算法[J];計(jì)算機(jī)應(yīng)用;2012年03期

2 桂林;張玉紅;胡學(xué)鋼;;一種基于混合集成方法的數(shù)據(jù)流概念漂移檢測(cè)方法[J];計(jì)算機(jī)科學(xué);2012年01期

3 李南;郭躬德;;基于子空間集成的概念漂移數(shù)據(jù)流分類算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2011年12期

4 陳黎飛;郭躬德;;最近鄰分類的多代表點(diǎn)學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2011年06期

5 張健飛;陳黎飛;郭躬德;李南;;多代表點(diǎn)的子空間分類算法[J];計(jì)算機(jī)科學(xué)與探索;2011年11期

6 ;Clustering feature decision trees for semi-supervised classification from high-speed data streams[J];Journal of Zhejiang University-Science C(Computers & Electronics);2011年08期

7 辛軼;郭躬德;陳黎飛;畢亞新;;IKnnM-DHecoc:一種解決概念漂移問(wèn)題的方法[J];計(jì)算機(jī)研究與發(fā)展;2011年04期

8 李燕;張玉紅;胡學(xué)鋼;;基于C4.5和NB混合模型的數(shù)據(jù)流分類算法[J];計(jì)算機(jī)科學(xué);2010年12期

9 郭躬德;黃杰;陳黎飛;;基于KNN模型的增量學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2010年05期

10 歐陽(yáng)震諍;羅建書;胡東敏;吳泉源;;一種不平衡數(shù)據(jù)流集成分類模型[J];電子學(xué)報(bào);2010年01期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙月愛(ài);陳俊杰;;重抽樣方法FHNN及其在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2011年22期

2 裴楊;王勇;陶曉玲;李平紅;;基于SVM的并行網(wǎng)絡(luò)流量分類方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年08期

3 譚三;劉寧;;基于閾值聚類和KNN分類的入侵檢測(cè)[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2010年01期

4 王令劍;滕少華;;聚類和時(shí)間序列分析在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2010年03期

5 丁俊松;楊和梅;陳敏雅;;入侵檢測(cè)中的OCSVM方法綜述[J];計(jì)算機(jī)與現(xiàn)代化;2007年03期

6 奚斌;周國(guó)棟;錢龍華;潘s，

本文編號(hào)：1587878