数据流挖掘抑制概念漂移不良影响研究

• 作者: 卞舒逸
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 数据流挖掘 概念漂移 数据块 集成算法
• 年，卷（期）: 2018,（9）
• 所属期刊栏目: 软件理论与方法
• 页码范围: 64-66,71
• 页数: 4页
• 分类号: TP3-0
• 字数: 3268字
• 语种: 中文
• DOI: 10.11907/rjdk.181079

摘要

提升基于数据流的数据挖掘正确率并克服概念漂移的影响是当前的研究热点之一.相对于传统意义上的数据挖据,基于数据流的数据挖掘具有动态、数量多、持续性强等特点.由于传统的数据挖掘算法都是应用于静态数据,挖掘结果并不完全匹配动态变化.将样本数据流进行数据块化处理后使用集成算法,可提升流数据挖掘的准确性.其中集成算法基分类器包括决策树和KNNModel算法等.对于不同算法的效果给予不同权值,提升算法相比于基分类器,能够更加准确地判定概念漂移的发生.实验结果表明,通过集成学习方法可以有效提升学习效果及分类判定准确率,非同质类型的集成算法对于抑制概念漂移的不良影响可起到一定作用.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	卞舒逸	南京邮电大学计算机学院	1	0	0.0	0.0