典型文献
面向概念漂移数据流的自适应分类算法
文献摘要：
数据流分类是数据挖掘中最重要的任务之一,而数据流的概念漂移特性给分类算法带来了巨大的挑战.基于极限学习机算法进行优化是解决数据流分类问题的一个热门方向,但目前大多数算法都采用提前指定模型参数的方式进行学习,这种做法使得分类模型只能在特定的数据集上才能发挥较好的性能.针对这一问题,提出了一种简单有效的处理概念漂移的算法——自适应在线顺序极限学习机分类算法.算法通过引入自适应模型复杂度机制,从而具有更好的分类性能.然后通过引入自适应遗忘因子与概念漂移检测机制,能够根据动态变化的数据流进行自适应学习,从而可以更好地适应概念漂移.进一步还引入异常点检测机制,避免分类决策边界被异常点破坏.仿真实验表明,所提出算法比同类算法具有更好的稳定性、分类准确性以及概念漂移适应能力.此外,还通过消融实验证实了算法所引入3个机制的有效性.
文献关键词：
数据流分类;在线学习;极限学习机;概念漂移;自适应机制
中图分类号：
作者姓名：
蔡桓;陆克中;伍启荣;吴定明
作者机构：
深圳大学计算机与软件学院 广东深圳 518061
文献出处：
引用格式：
[1]蔡桓;陆克中;伍启荣;吴定明-.面向概念漂移数据流的自适应分类算法)[J].计算机研究与发展,2022(03):633-646
A类：
B类：
移数,自适应分类,分类算法,数据流分类,极限学习机算法,分类问题,数算,前指,定模,分类模型,在线顺序极限学习机,适应模型,模型复杂度,分类性能,遗忘因子,概念漂移检测,检测机,流进,自适应学习,异常点检测,分类决策,决策边界,点破,分类准确性,消融实验,在线学习,自适应机制
AB值：
0.322258
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。
