典型文献
面向概念漂移且不平衡数据流的G-mean加权分类方法
文献摘要：
数据流中的概念漂移和类别不平衡问题会严重影响数据流分类算法的性能和稳定性.针对二分类数据流中概念漂移和类别不平衡的问题,在基于数据块的集成分类方法上引入成员分类器权重的在线更新机制,结合重采样和自适应滑动窗口技术,提出了一种基于G-mean加权的不平衡数据流在线分类 方法(online G-mean update ensemble for imbalance learning,OGUEIL).该方法基于集成学 习 框架,利用时间衰减因子增量计算成员分类器最近若干实例上的G-mean性能,并确定成员分类器权重,每到达一个新实例,在线更新所有成员分类器及其权重,并对少类实例进行随机过采样.同时,OGUEIL会周期性地根据当前数据构造类别平衡数据集训练新的候选分类器,并选择性地添加至集成框架中.在真实和人工数据集上的结果表明,所提方法的综合性能优于其他同类方法.
文献关键词：
数据流;概念漂移;集成学习;类别不平衡;分类
中图分类号：
作者姓名：
梁斌;李光辉;代成龙
作者机构：
江南大学人工智能与计算机学院,江苏无锡 214122
文献出处：
引用格式：
[1]梁斌;李光辉;代成龙-.面向概念漂移且不平衡数据流的G-mean加权分类方法)[J].计算机研究与发展,2022(12):2844-2857
A类：
在线更新机制,OGUEIL
B类：
概念漂移,不平衡数据,mean,分类方法,类别不平衡,不平衡问题,数据流分类,分类算法,二分类,分类数据,数据块,集成分类,分类器,重采样,自适应滑动窗口,滑动窗口技术,在线分类,online,update,ensemble,imbalance,learning,时间衰减因子,过采样,周期性地,平衡数据集,集训,集成框架,集成学习
AB值：
0.352098
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。
