典型文献
基于串行交叉混合集成的概念漂移检测及收敛方法
文献摘要：
概念漂移处理大多采用集成学习策略,然而这些方法多数不能及时提取漂移发生后新分布数据的关键信息,导致模型性能较差.针对这个问题,本文提出一种基于串行交叉混合集成的概念漂移检测及收敛方法(Concept drift detection and convergence method based on hybrid ensemble of serial and cross,SC_ensemble).在流数据处于平稳状态下,该方法通过构建串行基分类器进行集成,以提取代表数据整体分布的有效信息.概念漂移发生后,在漂移节点附近构建并行的交叉基分类器进行集成,提取代表最新分布数据的局部有效信息.通过串行基分类器和交叉基分类器的混合集成,该方法兼顾了流数据包含的整体分布信息,又强化了概念漂移发生时的重要局部信息,使集成模型中包含了较多"好而不同"的基学习器,实现了漂移发生后学习模型的高效融合.实验结果表明,该方法可使在线学习模型在漂移发生后快速收敛,提高了模型的泛化性能.
文献关键词：
流数据;概念漂移;集成学习;串行分类器;交叉分类器;混合集成
中图分类号：
作者姓名：
郭虎升;高淑花;王文剑
作者机构：
山西大学计算机与信息技术学院,太原 030006;计算智能与中文信息处理教育部重点实验室(山西大学),太原 030006
文献出处：
引用格式：
[1]郭虎升;高淑花;王文剑-.基于串行交叉混合集成的概念漂移检测及收敛方法)[J].数据采集与处理,2022(05):997-1011
A类：
串行分类器,交叉分类器
B类：
混合集成,概念漂移检测,集成学习,学习策略,新分布,关键信息,模型性能,Concept,drift,detection,convergence,method,hybrid,ensemble,serial,cross,SC,流数据,基分类器,有效信息,移节,数据包,分布信息,局部信息,集成模型,基学习器,后学,高效融合,在线学习,快速收敛,泛化性能
AB值：
0.321614
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
