基于相反分类器的数据流分类方法

目前挖掘概念流动的数据流已经成为研究的热点。概念流动的数据流分类在预防信用卡欺诈,网络入侵发现等应用中具有重要的应用。本文定义了一种相反分类器来从错误中学习,提出了训练一个集合分类器来对具有概念流动的数据流进行分类的算法I WB。通过在合成数据集和benchmark上的实验,与Weighted Baggging算法13比较,表明我们的算法具有更高的准确度,更快地收敛到新的目标概念的性能。

基于相反分类器的数据流挖掘方法分析

本文提出了基于组合分类器的IWB算法,定义了相反分类器。通过使用相反分类器,在遇到突然的概念漂移时,IWB算法可以从错误中学习,具有更快地收敛到新的目标概念的能力,而当概念稳定时没有大的波动。