手机知网 App
24小时专家级知识服务
打 开
计算机软件及计算机应用
面向概念漂移且不平衡数据流的G-mean加权分类方法
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.在真实和仿真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.
0 348
手机阅读本文
下载APP 手机查看本文
计算机研究与发展
网络首发
相似文献
图书推荐
相关工具书

搜 索