【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《基于在线迁移学习的重现概念漂移数据流分类》，欢迎阅读！
基于在线迁移学习的重现概念漂移数据流分类 益民;唐诗淇;冯超;高凯 【期刊名称】《计算机研究与发展》 【年(卷),期】2016(053)008 【摘 要】随着大数据时代的到来，数据流分类被应用于诸多领域，如：垃圾邮件过滤、市场预测及天气预报等。重现概念是这些应用领域的重要特点之一。针对重现概念的学习与分类问题中的“负迁移”和概念漂移检测的滞后性，提出了一种基于在线迁移学习的重现概念漂移数据流分类算法———RC‐OTL 。 ；RC‐O T L在检测到概念漂移时存储刚学习的一个基分类器，然后计算最近的样本与存储的各历史分类器之间的领域相似度，以选择最适合对后续样本进行学习的源分类器，从而改善从源领域到目标领域的知识迁移。另外，RC‐O T L还在概念漂移检测之前根据分类准确率选择合适的分类器对后续样本分类。初步的理论分析解释了RC‐OTL为什么能有效克服“负迁移”，实验结果进一步表明：RC‐OTL的确能有效提高分类准确率，并且在遭遇概念漂移后能更快地适应后续样本。%At the age of big data ,data stream classification is being applied to many fields ,like spam filtering ,market predicting , and weather forecasting , et al , in which recurring concept is an important character . Aiming to reduce the influence of negative transfer and improve the lag of detection of concept drift ,RC‐OTL is proposed for mining recurring concepts in data stream based on online transfer learning strategy .When a concept drift is detected ,RC‐OTL selects one current base classifier to store ,and then computes the domain similarities between the current training samples and the stored classifiers ,in order to select the most appropriate source classifier to combine with a new classifier for learning the upcoming samples ,which results in knowledge transfer from the source domain to the target domain .In addition ,RC‐OTL can select appropriate classifier to classify when the current classification accuracy is detected below a given threshold before concept drift detection . The preliminary theory analysis explains why RC‐OTL can reduce negative transfer effectively ,and the experiment results further illustrates that RC‐OTL can efficiently promote the cumulate accuracy of data stream classification ,and faster adapt to the samples of new concept after concept drift takes place . 【总页数】11页(P1781-1791) 【作 者】益民;唐诗淇;冯超;高凯 【作者单位】桂林电子科技大学计算机与信息安全学院 广西桂林 541004; 广西可信软件重点实验室 桂林电子科技大学 广西桂林 541004; 广西信息科学实验中心 桂林电子科技大学 广西桂林 541004;桂林电子科技大学计算机与信息安全学院 广西桂林 541004;桂林电子科技大学计算机与信息安全学院 广西桂林 541004;河北科技大学信息学院 石家庄 050018 【正文语种】中 文 【中图分类】TP391 【相关文献】 1.一种基于数据不确定性的概念漂移数据流分类算法 [J], 吕艳霞;王翠容;王聪;苑迎 2.带重现概念漂移的不平衡数据流分类研究 [J], 季梦遥;袁磊 3.概念漂移数据流分类中的多源在线迁移学习算法 [J], 秦一休;文益民;何倩 4.基于概念漂移检测的网络数据流分类 [J], 章恒;鞠时光 5.基于McDiarmid界的概念漂移数据流分类算法 [J], 梁斌;李光辉 因版权原因，仅展示原文概要，查看原文内容请购买 本文来源：https://www.dywdw.cn/ac1ec93c7cd5360cba1aa8114431b90d6d85895c.html
下载此文档
搜索文档
阅读：
文档下载
2022-12-02
