计算机应用

作者：李小娟, 韩萌, 王乐, 张妮, 程浩东

单位：北方民族大学 计算机科学与工程学院，银川 750021

关键词：集成学习,分类,数据流,动态加权,集成数目,准确率,爬坡

基金：国家自然科学基金资助项目(62062004);宁夏自然科学基金资助项目(2020AAC03216)

传统集成分类算法中，一般将集成数目设置为固定值，这可能会导致较低分类准确率。针对这一问题，提出了准确率爬坡集成分类算法（C-ECA）。首先，该算法不再用一些基分类器去替换相同数量的表现最差的基分类器，而是基于准确率对基分类器进行更新，然后确定最佳集成数目。其次，在C-ECA的基础上提出了基于爬坡的动态加权集成分类算法（C-DWECA）。该算法提出了一个加权函数，其在具有不同特征的数据流上训练基分类器时，可以获得基分类器的最佳权值，从而提升集成分类器的性能。最后，为了能更早地检测到概念漂移并提高最终精度，采用了快速霍夫丁漂移检测方法（FHDDM）。实验结果表明C-DWECA的准确率最高可达到97.44%，并且该算法的平均准确率比自适应多样性的在线增强（ADOB）算法提升了40%左右，也优于杠杆装袋（LevBag）、自适应随机森林（ARF）等其他对比算法。

来源：2022年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第1期