自适应概念漂移问题的增量集成分类算法

• 作者: 孙广路 朱素霞 韩明明
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 数据流分类问题 概念漂移 集成算法
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 人工智能
• 页码范围: 1200-1210
• 页数: 11页
• 分类号: TP391.4
• 字数: 9200字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1907045

摘要

由于数据流具有非平稳特性,即概念漂移问题,导致机器学习模型的性能随着概念漂移的发生而降低.对分类器如何自适应概念漂移进行了研究,提出了以小数据块为输入的增量学习的增强集成算法,用于处理概念漂移情况下的数据流分类问题.该算法没有复杂的参数,但对弱分类器提出较高的要求,每次移除不合格的弱分类器后添加新的弱分类器,在迭代增量训练过程中根据训练误差更新样本和弱分类器的权重,最后通过加权投票方式整合各弱分类器的预测结果.用五组已知具体漂移情况的人工数据和三组未知漂移情况的真实数据进行实验,并与已有的算法进行对比,实验结果表明该算法能很好地处理概念漂移下的数据流分类问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙广路	哈尔滨理工大学计算机科学与技术学院	27	99	6.0	8.0
5	朱素霞	哈尔滨理工大学计算机科学与技术学院	10	24	3.0	4.0
9	韩明明	哈尔滨理工大学计算机科学与技术学院	1	0	0.0	0.0