基于显露模式的数据流贝叶斯分类算法

• 作者: 孙艳歌 杜超 江晶晶 王志海
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 数据流 显露模式 贝叶斯 数据挖掘
• 年，卷（期）: 2017,（11）
• 所属期刊栏目: 复杂环境下的机器学习研究专刊
• 页码范围: 2891-2904
• 页数: 14页
• 分类号: TP181
• 字数: 12742字
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.005350

摘要

基于模式的贝叶斯分类模型是解决数据挖掘领域分类问题的一种有效方法.然而,大多数基于模式的贝叶斯分类器只考虑模式在目标类数据集中的支持度,而忽略了模式在对立类数据集合中的支持度.此外,对于高速动态变化的无限数据流环境,在静态数据集下的基于模式的贝叶斯分类器就不能适用.为了解决这些问题,提出了基于显露模式的数据流贝叶斯分类模型EPDS(Bayesian classifier algorithm based on emerging pattern for data stream).该模型使用一个简单的混合森林结构来维护内存中事务的项集,并采用一种快速的模式抽取机制来提高算法速度.EPDS采用半懒惰式学习策略持续更新显露模式,并为待分类事务在每个类下建立局部分类模型.大量实验结果表明,该算法比其他数据流分类模型有较高的准确度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王志海	北京交通大学计算机与信息技术学院	64	491	11.0	20.0
2	孙艳歌	北京交通大学计算机与信息技术学院	14	76	6.0	8.0
3	杜超	北京交通大学计算机与信息技术学院	1	8	1.0	1.0
4	江晶晶	北京交通大学计算机与信息技术学院	2	8	1.0	2.0