基于准确率爬坡的动态加权集成分类算法

• 作者: 李小娟 韩萌 王乐 张妮 程浩东
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 集成学习 分类 数据流 动态加权 集成数目 准确率 爬坡
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 数据科学与技术|Data science and technology
• 页码范围: 123-131
• 页数: 9页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021071234

摘要

传统集成分类算法中,一般将集成数目设置为固定值,这可能会导致较低分类准确率.针对这一问题,提出了准确率爬坡集成分类算法(C-ECA).首先,该算法不再用一些基分类器去替换相同数量的表现最差的基分类器,而是基于准确率对基分类器进行更新,然后确定最佳集成数目.其次,在C-ECA的基础上提出了基于爬坡的动态加权集成分类算法(C-DWECA).该算法提出了一个加权函数,其在具有不同特征的数据流上训练基分类器时,可以获得基分类器的最佳权值,从而提升集成分类器的性能.最后,为了能更早地检测到概念漂移并提高最终精度,采用了快速霍夫丁漂移检测方法(FHDDM).实验结果表明C-DWECA的准确率最高可达到97.44％,并且该算法的平均准确率比自适应多样性的在线增强(ADOB)算法提升了40％左右,也优于杠杆装袋(LevBag)、自适应随机森林(ARF)等其他对比算法.