典型文献
面向概念漂移和类不平衡数据流的在线分类算法
文献摘要：
数据流是大数据的重要形式,数据流分类是数据挖掘的重要任务之一,该任务在现实生活中有着巨大的应用前景,因此得到了研究者们的广泛关注.概念漂移和类不平衡是影响数据流分类性能的两个核心问题,但目前大多数算法都只考虑处理两者之一,并且大多数算法过于理想,只能在人工设置的数据流上才能发挥较好的性能,无法适用于复杂的真实数据流.针对这一问题,提出了一种同时处理概念漂移和类不平衡复杂数据流的算法——具有自适应遗忘因子的加权在线顺序极限学习机集成算法.该算法首先融合加权机制和遗忘机制,初步提出具有遗忘机制的加权在线顺序极限学习机算法.为了更好地适应复杂数据流,进一步以初步算法为基分类器,设计包含自适应遗忘因子和概念漂移检测机制的在线集成策略.大量仿真实验表明,所提算法在所有数据集上都取得了最佳的Gmean值,具有更好的概念漂移和类不平衡适应能力,表现出了更稳定、更平衡以及更准确的分类效果.
文献关键词：
数据流分类;概念漂移;类不平衡;在线学习;极限学习机
中图分类号：
作者姓名：
陆克中;陈超凡;蔡桓;吴定明
作者机构：
深圳大学计算机与软件学院,广东深圳518060
文献出处：
引用格式：
[1]陆克中;陈超凡;蔡桓;吴定明-.面向概念漂移和类不平衡数据流的在线分类算法)[J].电子学报,2022(03):585-597
A类：
B类：
类不平衡数据,在线分类,分类算法,数据流分类,现实生活,分类性能,数算,流上,真实数据,复杂数据流,遗忘因子,在线顺序极限学习机,集成算法,加权机制,遗忘机制,极限学习机算法,基分类器,概念漂移检测,检测机,集成策略,Gmean,更稳,分类效果,在线学习
AB值：
0.266431
相似文献
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。
