-
题名一种基于局部分类精度的概念漂移数据流分类算法
- 1
-
-
作者
张玲
马士伦
黎利辉
文益民
-
机构
桂林电子科技大学
-
出处
《广西科学》
CAS
北大核心
2024年第1期100-109,共10页
-
基金
国家自然科学基金项目(62366011)
广西重点研发计划项目(桂科AB21220023)
广西图像图形与智能处理重点实验室项目(GIIP2306)资助。
-
文摘
概念漂移数据流分类是一个极具挑战性的问题。当新概念出现时,该概念下的学习样本过少,无法对分类器进行及时调整,进而导致分类精度不高。为了解决该问题,本文提出一种基于局部分类精度的概念漂移数据流分类算法——LA-MS-CDC。第一,LA-MS-CDC将k-means聚类和局部分类精度算法结合,从分类器池中挑选出最优源领域分类器;第二,将最优源领域分类器与目标领域分类器加权集成,进而对样本分类;第三,根据分类样本的真实标签分别计算各分类器的损失,并对目标领域和源领域的分类器权重进行更新;第四,再利用该分类样本对目标领域分类器、最优源领域分类器进行更新;最后,完成分类器池的更新。在公开数据集上的实验结果表明,LA-MS-CDC能够有效地将源领域知识迁移到目标领域,与现有方法相比,其分类效果具有显著性提升。算法代码可在https://gitee.com/ymw12345/LAMSCDC上获取。
-
关键词
概念漂移
多源在线迁移学习
局部分类精度
集成学习
多样性
-
Keywords
concept drift
multi source online transfer learning
local classification accuracy
ensemble learning
diversity
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-