IKnnM-DHecoc:一种解决概念漂移问题的方法

• 作者: 毕亚新 辛轶 郭躬德 陈黎飞
• 来源期刊: 计算机研究与发展
• 学科: 工学
• 关键词: 概念漂移 数据流 纠错输出编码 增量Knn模型 分类
• 年，卷（期）: 2011,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 592-601
• 分类号: TP311|TP18
• 字数: 7576字
• 语种: 中文

摘要

随着数据流挖掘的应用日趋广泛,带概念漂移的数据流分类问题已成为一项重要且充满挑战的工作.根据带概念漂移的数据流的特点,一个有效的学习器必须能跟踪并快速适应这种变化.一种基于增量KnnModel的动态层次编码算法被提出用于解决数据流的概念漂移问题.在将数据流划分为数据块后,根据增量KnnModel算法对每块的预学习结果构建并更新类别层次树、层次编码,用可增量学习的分类算法对照编码划分进行学习,并生成备选分类器集.最后依据活跃度对结点进行剪枝处理以减少计算代价.在预测阶段,利用增量KnnModel算法和动态层次纠错输出编码算法的各自优势进行联合预测.实验结果表明:基于增量KnnModel算法的动态层次纠错输出编码算法不但能够提高模型学习的动态性和分类的正确性,而且还能够快速适应概念漂移的情况.