期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息

一种自适应概念变化的数据流分类器 被引量：1

An Adaptive Classifier with Concept Change over Data Streams
下载PDF
导出
摘要 多数分类方法基于数据服从静态分布的假设,然而真实世界中数据的采集通常跨越一段时间,如果忽略潜在概念的变化将会严重降低分类模式的预测性能.目前挖掘概念变化的数据流已经成为研究的热点,在入侵检测、系统性能保持等方面有重要应用.提出一种基于SPRINT的在线分类方法SSPRINT,可以动态调整训练窗口的尺寸和分类模型重建期间允许接受的新样本的个数,以自动适应当前概念变化发生的速度;在网络性能数据流上的测试验证了SSPRINT的性能.
作者 刘耀宗 王永利 刘凤玉 张宏
机构地区 南京理工大学计算机系
出处 《计算机研究与发展》 EI CSCD 北大核心 2007年第z2期63-68,共6页 Journal of Computer Research and Development
基金 国家自然科学基金项目(60273035)
关键词 概念变化 数据流 分类
分类号 TP391 [自动化与计算机技术—计算机应用技术]
  • 相关文献

参考文献6

  • 1[1]J R Quinlan.Induction on Decision Trees.Machine Learning,1986,(1):81-106
  • 2[2]J R Quinlan.C4.5:Programs for Machine Learning.San Mateo,CA:Morgan Kaufmann,1993
  • 3[3]J Shafer,R Agrawal,M Mehta.SPRINT:A fast scalable parallel classifier for data mining.The 1996 Int'lConf on Very Large Data Bases (VLDB's96),Bombay,India,1996
  • 4[4]L Breiman,J H Friedman,et al.Classification and Regression Trees.Montery,CA:Wadsworth International Group,1984
  • 5[5]G Widmer,M Kubat.Learning in the presence of concept drift and hidden contexts.Machine Learning,1996,23(1):69-101
  • 6[6]M Last.Online classification of nonstationary data streams.Intelligent Data Analysis,2002,6(2):129-147

同被引文献26

  • 1曾华军，张银奎．机器学习[M]．北京：机械工业出版社，2003：60—79．
  • 2罗秀,王大玲,冯时,等.一种面向周期性概念漂移的数据流分类算法[J].计算机研究与发展,2009,46(Suppl):400-405.
  • 3王涛,李舟军,颜跃进,陈火旺.数据流挖掘分类技术综述[J].计算机研究与发展,2007,44(11):1809-1815. 被引量：41
  • 4Tsymbal A. The problem of concept drift : definitions and related work. TCD-CS-2004-15 [R]. Dublin, Ireland: Department of Computer Science Trinity College,Trinity College, 2004.
  • 5Gama J. A survey on learning from data streams: current and fu- ture trends[J]. Progress in Artificial Intelligence, 2012,1 ( 1 ) : 45-55.
  • 6王永利.基于概要的数据流挖掘若干研究[D].南京:东南大学,2006.
  • 7Widmer G, Kubat M. Effective learning in dynamic environ- ments by explicit context tracking[C]//Proceedings of the Sixth European Conference on Machine Learning. Vienna, Austria, 1993:69-101.
  • 8Schlimmer J, Granger R. Incremental learning from noisy data [J]. Machine Learning, 1986,1 (3) :317-354.
  • 9Li P-P, Wu X-D, Gao Y-J. A Random Decision Tree Ensemble for Mining Concept Drifts from Noisy Data Streams[J]. Applied Artificial Intelligence, 2010,24 (7) : 680 710.
  • 10Kubat G,Gama J, Utgoff P. Special issue on incremental learn- ing systems capable of dealing with concept drift[Z]. Amster- dam, Netherlands.. Intelligent Data Analysis, 2004.

引证文献1

计算机研究与发展
2007年 第z2期

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部