论文部分内容阅读
数据流上的漂移概念发现已成为数据挖掘领域的研究热点之一。针对存在概念漂移的数据流分类问题，提出一种基于实例加权方法的数据流分类算法（EWAMDS），根据基分类器在训练实例上的分类结果调整该实例的权值，以增强漂移实例在新分类器中的影响，同时引入动态的权值修改因子以提高算法的适应性。实验结果表明，动态地调整实例的权值时算法的适应性更强；与weighted—bagging相比，EWAMDS的时间开销显著降低、分类正确率显著提高。