面向噪音和概念漂移数据流的集成分类算法

摘要 隐含概念漂移的数据流分类问题是数据挖掘领域研究的热点之一，而实际数据流中的噪音会影响数据流的分类质量，为此，提出一种面向噪音和概念漂移数据流的集成分类算法.该算法使用支持向量机作为基分类器，采用贝叶斯分类器过滤噪音，利用Hoeffding Bounds不等式确定的双阈值检测概念漂移，并动态地更新分类模型以适应数据流环境的变化.实验结果表明，本文提出的算法可以有效地跟踪检测含噪数据流中的概念漂移，并且具有较好的分类精度