近年来,数据流作为一种典型的大数据类型得到广泛的应用,例如应用于传感器网络[1]、监控系统[2]以及网络入侵检测[3]等领域。和传统的静态数据不同,数据流的连续、无限、概念漂移和快速等特点使得使用传统的分类技术进行数据流挖掘效果不佳。因此,面向数据流的实时动态更新的分类算法研究成为相关领域的研究热点。
文献[4]使用描述项的值来描述概念,通过向前滑动窗口来删除或者增添描述项。由于该系统存储所有值对,因此该系统具有较高的更新成本,不能实时处理数据流。Wang等[5]提出了一个精度加权集成(Accuracy weighted ensembles, AWE)模型,用来挖掘概念漂移数据流,用组合的加权分类器来进行数据流挖掘,该模型能够很好地处理概念漂移,并且其分类准确率较高。Domingos等[6]提出了一种基于Hoeffding的快速决策树(Very fast decision tree,VFDT)算法,通过考察将当前的最佳属性作为中间节点,将所使用的测试数据项的数量在Hoeffding的边界统计范围之内作为考察依据,但该算法不能解决概念漂移问题。文献[7]在VFDT的基础上提出概念自适应快速决策树算法(Concept very fast decision tree, CVFDT),解决了数据流概念漂移问题。文献[8]提出任意窗口流建模算法用于在传感器网络中发现感兴趣的模式。文献[9]在按需分类中采用了CluStream的微集群思想,获得了较高的分类准确率。文献[10]提出了一种新分类方法,研究怎样使用历史数据来进行数据流分类。当输入一些新的数据,通过比较以下4个分类器的准确性,从中选择准确率较高的分类器:(1)一个旧的分类器; (2)从新的数据中学习的分类器; (3)从新数据中选择和旧数据相似的数据学习到的分类器; (4)从旧数据中选择和新数据相似的数据学习到的分类器。对这4个分类器进行精度检验,选出精度最高的分类器,并将其作为新的分类器。Zhang等[11]提出了一种双集成模型对偏斜数据流进行分类。文献[12]提出了一种有效的半监督框架,利用检测分类器置信度来观察概念漂移。Osojnik等[13]利用多目标回归提出了一种新的面向数据流的多标签分类方法。文献[14]针对重现概念漂移检测中的概念表征和分类器选择问题,提出基于主要特征抽取的概念聚类和预测算法。
本文从分析数据流的特点入手,针对具有概念漂移的数据流分类问题,提出一种新颖的基于集成分类模型的数据流分类算法,目的是提高分类精度和时空效率。本文的贡献点如下:
(1) 提出概念自适应快速决策树更新集成(CVFDT update ensemble, CUE),旨在增加集成模型中基分类器的不相似度。首先利用概念自适应快速决策树CVFDT在每个数据块上训练决策树,并将训练得到的决策树作为基分类器,循环这个过程,当基分类器的数量达到L时停止循环。其次整合每个基分类器通过加权求平均的方法得出最终结果,并将其作为待分类实例的最终分类标签。然后当发生漂移时,导致存在一些不适合当前概念的基分类器,这时将使用最新数据块对其更新。数据块在更新之前被装袋,从而得到各不相同的副本,这使得基分类器之间的不相似性增加。当完成对基分类器进行更新时,要进行对基分类器调整权重的操作。实验表明,该算法的准确率较高。
(2) 提出基于聚类的集成分类算法(Dynamic classifier selection with clustering, DCSC),该算法源于集成分类器的动态选择思想。首先对数据块进行聚类并保存聚类信息。其次训练决策树并将其作为基分类器。并且集成模型保证有L个簇信息和基础分类器。然后在对实例进行分类时,分类依据是选择与该实例具有最高相似度的基分类器,该实例的最终类标签就是其分类结果。在集成模型中修剪选择较少或精度低于设定阈值的基分类器,借助新到来的数据训练新的基分类器,并将其加入到集成模型中。最后的实验结果表明,DCSC处理数据流时具有较高的效率,对突发漂移具有较快的适应性。
1 带有基分类器更新的集成分类算法 1.1 算法描述CUE算法是本文提出的一种带有基分类器更新的数据流分类算法,该算法包含集成分类模型的构造和集成分类模型的更新两部分。
1.1.1 集成分类模型的构造CUE算法利用CVFDT算法训练基分类器,通过使用后续数据块中的数据对它进行更新。
假设用有序数据块S1, S2, …, Sn来表示到来的数据流。集成模型在初始时是空的,伴随着数据块S1流入,在S1上使用CVFDT训练基础分类器C1,并且把训练所得到的基分类器加入到集成模型中。接着数据块S2到来,相应的基础分类器C2被训练并加入到集成模型中。当基分类器的数量满足小于L的条件时,给分类器设置权重1。循环上面的过程,基分类器的数量达到L时终止循环。本文提出的集成分类模型在构造阶段不对数据流进行分类,基分类器构造描述如算法1所示。
算法1 基分类器构造算法
输入:S (一个数据流实例)
d (数据块Si的大小)
L (基分类器的数量)
输出:E (L个在线分类器的集合)
算法描述:
E ←∅
repeat
train classifier Ci on Si;
add Ci to E and set weighti = 1;
until L classifiers in E
return E
1.1.2 集成分类模型的更新CUE在分类过程中引入了分类器更新机制,该更新机制使得数据块大小对算法性能的影响不再明显,而且通过使用不同的数据更新基分类器,增加了基分类器的不相似程度,使得集成模型在分类性能评估上得到大大的提升。
通过1.1.1节对基分类器的训练,集成模型中已经存在训练好的基分类器L个。可以认为最新的数据块Sn最接近当前数据流中类分布,因此把最新的数据块Sn当做测试集,使用式(1)计算所有的基分类器的均方误差MSE为
$ {\rm{MS}}{{\rm{E}}_i} = \frac{1}{{\left| {{S_n}} \right|}}\sum\limits_{\left( {x,c} \right) \in {S_n}} {{{(1 - f_c^i\left( x \right))}^2}} $ | (1) |
式中:数据块Sn中的实例形式是(x, c),x为实例的属性,c为实例的实际类标签。fci(x)代表基本分类器Ci将实例的类标签贴为c的概率,计算数据块Sn中的所有实例的(1-fci(x))2值,并且求和取平均以获得基本分类器Ci的均方误差MSEi分,并且根据MSEi分给Ci分配权重,则
$ {w_i} = \frac{1}{{{\rm{MS}}{{\rm{E}}_i} + \varepsilon }} $ | (2) |
式中:ε用来避免MSEi为0的情况,将其设置为无穷小正常数。
计算任何一个基分类器对数据块Sn中实例的类别进行随意猜测的均方误差MSEr为
$ {\rm{MS}}{{\rm{E}}_r} = \sum\limits_c {p\left( c \right){{\left( {1 - p\left( c \right)} \right)}^2}} $ | (3) |
其中p(c)代表在Sn中各个类所占比例,其取值在0到1之间。
CUE选择MSEi>MSEr的基分类器进行更新,其目的是能够充分利用数据并增加基分类器之间的不相似度。可以理解为:MSEr表示任意分类器随机猜测Sn中的实例的随机错误概率。当Ci的均方误差MSEi大于MSEr时,基分类器对集成模型不起作用,需要进行更新。然而,直接使用Sn作为训练数据更新基分类器将减少基分类器之间的差异性。因此需要先对Sn进行装袋操作,得到原始数据块的不同副本,从而增加基分类器彼此间的不相似度和独立性,该集成模型的分类能力也得到提高。算法描述如算法2所示。
算法2 CUE更新算法
输入:S (一个数据流实例)
d (数据块Si的大小)
k (基分类器的数量)
输出:E(由k个可更新权重的在线分类器构成的集成分类器)
算法描述:
for all classifiers Ci ∈E do
apply Ci on Sn to derive MSEi
derive weight w′ for Ci using equation (2)
end for
for all classifiers Ci∈E do
if MSEi>MSEr then
update classifier Ci with Sn using bagging
end if
end for
E← updated weighted classifiers ∈E
classify a new instance with E using weighted average
1.2 实验结果分析集成分类算法AWE[5]具有较好的分类准确率和概念漂移处理能力,是有代表性的数据流分类算法。在本文的实验中,分别在时间效率、内存使用情况和窗口大小对算法的影响及准确率等方面对比本文提出的CUE算法和AWE算法的差异。在本实验中,AWE的基分类器通过训练VFDT得到。
1.2.1 数据集采用两个数据集模拟数据流环境来评估CUE算法的性能,即美国联邦森林覆盖类型数据集和波形数据集。
(1) 美国联邦森林覆盖类型数据集:它是真实的数据集,该数据源于美国林业局的区域资源信息系统,该数据集共包含数据记录581 012条。选择其中的50 000条用于实验,每条记录由54个属性组成。
(2) 波形数据集:该数据集是一个由3个类别标签组成的人工合成数据集,其中每个实例有属性值是实数的属性40个,后19个有噪声,带有缓慢的概念漂移。
1.2.2 实验分析两种算法中参数设置如表 1所示。随着决策树的增长,会产生更多的中间节点,每个中间节点都有一棵替代的子树。存储和处理这些子树也需要很多时间,因此限制树的深度有助于提高算法的效率。这个实验中,限制决策树的最大深度为8。
(1) 时间效率
算法所使用的时间分为训练时间和测试时间。图 1和图 2分别显示了AWE算法和CUE算法分别在两个数据集上训练的平均训练时间。CUE算法比AWE算法的训练时间长。经过分析原因有两个:一方面CUE中学习基分类器算法采用CVFDT;另一方面当CUE算法发现集成模型中存在不适应当前概念的基分类器时,使用Bagging技术对多个副本进行采样再更新基本分类器。但AWE仅使用VFDT学习基分类器,和CUE算法相比缺少更新分类器和抽取样本两个过程。
图 3和图 4显示了分别在波形数据集和森林覆盖数据集上CUE和AWE算法的测试时间。从图 3,4中可以看出,CUE的平均测试略高于AWE。这是因为CVFDT算法的中间节点会随新数据流入而改变,增加了时间成本。另外,两种算法的测试时间不随数据量的增加而增加,维持在一个恒定范围内,这满足数据挖掘对时间的约束。
(2) 内存占用情况
图 5和图 6分别显示了在波形数据集和森林覆盖数据集上CUE和AWE算法的占用内存情况。可以看出,CUE消耗的内存比AWE多。CVFDT随着数据增多逐渐增长,特别是当数据集的属性越多,可以替代的子树和中间节点就越多,则需要更多的内存来存储这些子树。另外,CUE在基分类器的更新过程中提供装袋抽样,需要额外内存存储副本。随着数据量的增加,CUE能够符合数据流挖掘的内存约束,因为CUE算法在运行过程中占用的内存接近于一个常数。
(3) 准确率
图 7显示了在波形数据集上两种算法的准确率情况。从图 7中可以看出CUE算法的平均准确率高于AWE算法。在20 000数据点处,波形数据集产生突变概念漂移,此时CUE算法和AWE算法的准确率都突然下降。接下来准确率再次提升,且CUE有较快的提升速度。
为了形成突变漂移概念,从森林覆盖数据集的开头和中间提取连续的15 000条数据,尾部提取20 000条数据进行实验,结果如图 8所示。从图 8中可以看出,两种算法的准确度在加工数据在15 000条时开始迅速下降,然后CUE准确率逐渐升高,30 000条数据时再次急剧下降,然后再升高。由于CUE适应当前新概念,其准确率总是高于AWE,并可以快速适应突变概念漂移。
(4) 数据块大小对算法性能的影响
图 9和图 10分别显示了在波形数据集和森林覆盖数据集上数据块的大小对准确率的影响。如图 9所示,随着数据块增大,在波形数据集上CUE算法和AWE算法的准确率呈下降的趋势,在1 000处性能最好。主要是因为两种算法在数据块为500时都能很快适应流中变化,但由于AWE算法的训练数据不足,基分类器的分类能力不强,因此整体分类准确率不高。CUE算法通过不断使用新数据更新基分类器,几乎不受数据块大小影响,因此整体分类准确率高于AWE算法。当数据块大小为1 000时,AWE算法由于训练数据充分,其准确率大大提升。可见这两种算法在数据块大小为1 000时获得最佳的分类准确率。此后随着数据块大小的增加,准确率缓慢下降。这是由于:数据块过大会影响算法对流中变化的反应速率并且使得同一数据块中包含数据存在多种概念,这将导致集成分类器的分类能力不强,学习到的基分类器的分类规则可能模糊等问题。同时从图 9可以看出,当数据块的大小为2 500时,CUE算法比AWE算法的准确率低。数据块较大的情况掩盖了CUE算法基分类器可更新的优点。
图 10的变化趋势与图 9中波形数据集基本相同,但精度低于图 9波形数据集的实验结果,主要原因是森林覆盖数据集的数据概念漂移更频繁。过大的数据块影响算法的更新速度和准确率,使得算法的更新速度变慢,准确度变低。另外可以看出,在大数据块的情况下,CUE算法的准确率比AWE算法的准确率低。
通过两个实验的对比可以看出,CUE算法不用担心训练数据不足的问题并且能更快适应流的变化,因此能够提高整体分类能力,适合于较小的数据块环境。
2 基于聚类的动态选择分类器DCSC 2.1 算法描述DCSC算法是基于聚类技术的数据流分类算法。该算法的提出采用动态选择思想,可以分为:(1)基分类器的训练;(2)采用训练好的分类器对数据流进行分类;(3)剪枝表现比较差的基分类器,训练新的基分类器来替换差的基分类器。
2.1.1 集成分类模型的构造首先将数据流划分成大小相等的数据块S1, S2, …, Sn,按照到达顺序聚类每个数据块,把训练数据分成各不相交的簇,保留每个簇的概要信息。簇的概要信息公式为
$ {\rm{INF}}{{\rm{O}}_{{\rm{cluster}}}} = < n,{\rm{centroid}} > $ | (4) |
式中:n为簇中训练数据的个数,centroid为簇的聚类中心。
聚类结束后,使用VFDT在数据块上的训练决策树作为基分类器,并将训练好的基分类器添加到集成模型中,最多能够容纳的基分类器的个数为L。循环该过程L-1次,当集成模型存在L个基分类器时结束循环,构造集成分类器完成。集成模型可表示为:Ensemble = (C1, C2, …, CL)。与此同时,保存DCSC处理一个数据块后基分类器Ci被选择的次数CHOSEN_NUMi(i = 1, 2, …, L)。
2.1.2 使用集成分类模型来进行分类用DCSC算法对数据流进行分类由两部分组成:首先采用欧几里德距离计算每个基分类器对应簇与实例R之间的距离。欧几里德距离为
$ d\left( {i,j} \right) = \sqrt {{{({r_{i1}} - {r_{j1}})}^2} + {{({r_{i2}} - {r_{j2}})}^2} + \ldots + {{({r_{in}} - {r_{jn}})}^2}} $ | (5) |
其中Ri=(ri1, ri2, …, rin)代表实例Ri的属性值,Rj=(rj1, rj2, …, rjn)代表实例Rj的属性值。根据式(5),找到数据块中最接近实例R的k个簇,并计算这些k个距离的总和,标记为DISTANCEKL,然后计算k个簇中所包含的数据量总量Num。由于距离总和的大小象征该数据块与待分类实例的相似程度,数据量总和的大小象征在数据块上与待分类实例类似的的数据的数量的大小,所以找到满足最大Num值且最小DISTANCEk的数据块所对应的基分类器。求出Num和DISTANCEk的商,并将其标记为p,如式(6)所示。
$ p = \frac{{{\rm{Num}}}}{{{\rm{DISTANC}}{{\rm{E}}_k}}} $ | (6) |
把L个基分类器具有最大p值的基分类器C′的分类结果作为集成模型的分类结果。在数据块中找最近k个簇的过程描述如图 11所示。具体处理流程如算法3所示。其中,distance(centroidi, record)表示簇质心与实例record之间的距离。choose_min_k(disti)是为了找出与实例record距离最近的k个质心,计算p值并将其作为选择分类器的依据。
算法3 使用DCSC对实例分类
输入:INFO cluster (簇的信息)
Ensemble (基分类器集合)
Record(数据流上到来的待分类的实例)
输出:label (分类器对record分类的类标)
算法描述:
for each INFO cluster
for each centroidi do
disti = distance(centroidi, record)
end for
choose_min_k(disti)
calculate p
end for
choose the classifier with max p
label ←classify record using chosen classifier
return label
2.1.3 集成分类模型更新集成分类模型的更新是为了适应数据流环境下发生的概念漂移和围标分布变化的问题,去除表现不佳的基分类器,使用最近数据训练新的基分类器加入到集成模型中。
算法的更新频率影响算法的效率。为了平衡算法的效率和更新频率,DCSC算法在每处理一个数据块之后,通过分类准确率accuracy和分类数据块时分类器被选择的次数used_times来去除表现不佳的基分类器。MIN_FREQUENCY表示被选择的最小次数,MIN_ACCURACY表示最小准确率。如果在数据块的处理之后选择分类器的次数低于MIN_FREQUENCY,则表明分类器对整个集成模型的贡献很小,与当前概念有较大差异,应该将其移除。如果选择分类器的次数大于MIN_FREQUENCY,准确率低于LOW_ACCURACY,表明该分类器不适应当前的概念并且应当移除该分类器。最后,通过训练新基分类器,并将训练的新基分类器添加到集成模型中完成集成模型的更新操作,完整描述如算法4所示。
算法4 更新集成分类模型
输入:Ensemble (包含L个基分类器的集成模型)
Sn (数据流中第n个数据块)
输出:Ensemble (更新后的集成模型)
算法描述:
classify current chunk Sn
for each classifier Ci in the Ensemble
if Ci.used_times < MIN_FREQUENCY
then remove Ci
else if Ci.accuracy < MIN_ACCURACY
then remove Ci
end if
end if
end for
if account(Ensemble) < L then
cluster current chunk and train C′ on the current chunk Sn
add C′ to Ensemble
end if
return Ensemble
2.1.4 集成分类模型的整体描述DCSC算法将数据流划分为等大的数据块,首先对数据块进行聚类,然后训练分类器。分类器学到的规则越详细,这些实例的分类准确度就越高。选择基分类器之后,使用该分类器对实例进行分类,并将结果用作实例的最终类标签。完整描述如算法5所示。
算法5 DCSC算法
输入:S (一个数据流的实例)
输出:C (数据流上每个实例的预测类别)
算法描述:
数据流划分为相同大小的数据块
按顺序L次在每个数据块中训练一个分类器
for each chunk
classify each instance in the chunk by Algorithm 3
for each classifier Ci in the Ensemble
if Ci.used_times < MIN_FREQUENCY or Ci.accuracy < MIN_ACCURACY
update the ensemble using Algorithm 4
end if
end for
end for
return C
2.2 实验结果分析DCSC算法从集成模型中的基分类器中选择与待分类的实例具有最高相似度的基分类器,该实例的类标由所选择的基分类器的分类结果确定。与整合分类模型相比,DCSC具有较快分类未知类别实例的优点,分类准确率高于单分类器。
2.2.1 数据集本实验所使用数据流环境用KDD CUP’99[15]网络入侵数据集和SEA数据集来模拟。
(1) KDD CUP’99[15]网络入侵数据集。该数据集是真实数据集,是麻省理工学院林肯实验室管理的局域网的两个星期内TCP的连接记录,均为正常连接或入侵或攻击记录。
(2) SEA数据集。该数据集是合成数据集,在数据挖掘中经常用到,数据集中的每条记录都有2个类标签和3个连续的属性。它首先出现在文献[16]中,并被用于算法SEA的实验部分。
2.2.2 实验分析两个算法的参数设置如表 2所示。
(1) 参数影响
在DCSC算法中,对待分类的实例进行分类需要选择合适的基分类器,在此过程中,考虑簇中包含的数据量,找到最接近待分类实例的k个簇的质心。由于实验中将每个数据块上的簇数设置为10,与待分类实例最近的簇k不能太大。在本节中,通过实验研究DCSC在k = 1, 2和3时的精确率。
图 12显示不同k值对准确率的影响。如图 12所示,因为k=2不仅可以保证相似性,而且兼顾到足够多的训练数据,DCSC算法在k=2时具有最高的准确率,因此在其他实验中,均取k=2。
(2) 时间效率
图 13和图 14显示AWE算法和DCSC算法分别在SEA数据集和KDD CUP’99数据集上的平均训练时间。如图 13,14所示,DCSC算法的平均训练时间与AWE算法相比,时而长,时而短。这是因为DCSC算法先进行聚类分析,并存储聚类结果,再对数据块上的基分类器进行训练,因此DCSC算法比AWE算法需要更多的时间。但是在更新频率上DCSC算法比AWE算法低。DCSC算法只有在选择基分类器次数和准确率低于分别设定的MIN_FREQUENCY和MIN_ACCURACY值时,才会更新。然而,AWE算法随着新数据块的到达,都要进行决策树的训练,并将其作为后备的基分类器以供使用。除此之外,AWE算法需要为每个数据块重新分配权重。因此,当处于平缓数据流的环境中,在更新频率上,DCSC算法低于AWE算法,在平均训练时间上,DCSC算法小于AWE算法。当数据流中的概念漂移或类分布发生变化时,DCSC算法的平均训练时间将比AWE算法的平均训练时间长。
通过对比图 15和图 16可以看出,DCSC算法在两个数据集上分类每个数据块的平均测试时间明显比AWE算法少。这是因为DCSC算法在对待分类的实例进行分类时只选择一个基分类器,这就导致没有给基分类器赋予权值的必要,所以该算法的计算复杂度减少。而在AWE算法中,基分类器全部都参与分类,然后综合每个基分类器分类的结果。
(3) 内存使用情况
两种算法内存使用情况实验结果如图 17,18所示。由图 17和图 18可以看出,DCSC算法的存储占用率比AWE算法要高。这是因为DCSC需要对数据块进行聚类并保存聚类的结果信息。因此在内存占用上,DCSC算法比AWE算法消耗略多。并且在聚类分析时,所消耗的内存与数据属性的数量存在正相关关系,DCSC算法在KDD CUP’99数据集中消耗的内存比在SEA数据集上要多。
图 17和图 18同时也显示,算法AWE和算法DCSC随着数据流的不断流入在内存的消耗上都保持在一个恒定的范围内增长。这表明DCSC算法可以有效地挖掘数据流,因为在数据流挖掘中存储容量有限,DCSC满足这一限制条件。
(4) 准确率
对于SEA数据集,DCSC算法的准确率始终高于AWE算法,如图 19所示。这是由于DCSC算法构造出的模型只从集成模型中选择一个基分类器来对分类的实例进行分类,历史数据对分类不产生影响,因而准确率高。当处理20 000条的数据时,为了模拟突变漂移,改变SEA数据生成器参数。图 19显示AWE算法和DCSC算法的准确率都快速下降并且恢复,其中DCSC算法的准确率恢复得更快。这是因为DCSC算法在对待分类的实例进行分类时选择的基分类器数量只有一个,不需要使用历史数据就可以获得分类结果,DCSC算法能够快速适应新的概念。
在网络入侵数据集KDD CUP’99中,为了模拟数据流的突变漂移,在数据集上间隔较大的3部分分别连续抽取10 000, 15 000, 20 000条数据,准确率如图 20所示。从图 20可以看出AWE算法具有较高准确率。这是由于历史数据对数据流在相对平缓的环境下有较大的贡献,结合每个基分类器的结果,产生较高的准确率。DCSC当突变漂移发生时只选择一个基分类器对分类实例进行分类,能够更快地适应概念漂移的数据流而不受到历史数据的影响。
3 结束语
首先,本文提出了一个动态数据流集成分类算法CUE,使用概念自适应快速决策树CVFDT训练基分类器。选择概念自适应快速决策树CVFDT的原因,是CVFDT使用后续数据训练备选基分类器,更新具有较低分类准确率的基分类器。采用更新操作不仅使得基分类器之间的不相似度增加,而且使得基分类器的分类能力提高。为了使算法适应数据流漂移概念的能力得到提高,用最新的数据块更新分类准确率较低的基分类器,使基分类器适应当前的概念,使得整个集成模型的分类性能得到改善。实验表明,在具有概念漂移的数据流环境下,该算法具有快速的反应能力和良好的分类准确率。
其次,本文提出了集成分类算法DCSC,该算法基于聚类动态选择思想。该算法首先对到来的数据流的每个数据块进行聚类,并将聚类结果保存到内存中。接下来再训练决策树,并在集成模型中加入训练好的决策树作为基分类器。集成模型保持L个基分类器和相应的L个聚类结果。在对待分类的实例进行分类时,选择与实例具有最高相似度的分类器,该分类器的分类结果作为该实例的最终分类标签。通过选择具有较低准确率且被选中次数少的基分类器,将其删除并训练新的基分类器来更新集成模型。实验表明,该算法处理具有概念漂移的数据流具有较高的时间效率,能够快速适应突发漂移。
综上所述,本文提出的对带有概念漂移的数据流进行分类的CUE算法和DCSC算法,有自己不同的优点。CUE算法是为了增加集成模型中的基分类器之间的相异度而提出的,该算法能够实现在线更新,且对带有概念漂移的数据流,其在分类准确率和快速反应能力上都有很好的提升。DCSC算法的提出源于集成分类器动态选择思想,该算法对突变漂移有较快的适应能力,并且具有较高的时间效率。
[1] |
Cuzzocrea A, Gaber M M, Shiddiqi A M. Adaptive data stream mining for wireless sensor networks[M].[S.l.]: ACM, 2014.
|
[2] |
Ko A H R, Jousselme A L, Maupin P. A novel measure for data stream anomaly detection in a bio-surveillance system[C]//Proceedings of International Conference on Information Fusion.[S.l.]: IEEE, 2011: 1-7.
|
[3] |
Álvaro H, Corchado E, Sáiz J M. MOVICAB-IDS:Visual analysis of network traffic data streams for intrusion detection[J]. Lecture Notes in Computer Science, 2006, 4224: 1424-1433. |
[4] |
Widmer G, Kubat M. Learning in the presence of concept drift and hidden contexts[J]. Machine Learning, 1996, 23(1): 69-101. |
[5] |
Wang H, Fan W, Yu P S, et al. Mining concept-drifting data streams using ensemble classifiers[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]: ACM, 2003: 226-235.
|
[6] |
Domingos P, Hulten G. Mining high speed data streams[C]//Proceedings of the 2000 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]: ACM, 2000: 71-80.
|
[7] |
Papadimitriou S, Brockwell A, Faloutsos C. Adaptive hands off stream mining[C]//Proceedings of the 29th International Conference on Very Large Data Bases. Berlin, Germany: Morgan Kaufmann, 2003: 560-571.
|
[8] |
Aggarawal C, Han J W, Wang J Y, et al. On demand classification of data streams[C]//Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]: ACM, 2004: 503-508.
|
[9] |
Fan W. Systematic data selection to mine concept drifting data streams[C]//Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]: ACM, 2004: 128-137.
|
[10] |
Ding Q, Khan M, Roy A, et al. The P-tree algebra[C]//Proceedings of the 2002 ACM Symposium on Applied Computing.[S.l.]: ACM, 2002: 426-431.
|
[11] |
Zhang C S, Soda P. A double ensemble approach for classifying skewed data streams[C]//Proceeding of Advances in Knowledge Discovery and Data Mining 16th Pacific Asia Conference.Kuala Lumpur, Malaysia: Springer, 2012: 254-265.
|
[12] |
Haque A, Khan L, Baron M. SAND: Semi-supervised adaptive novel class detection and classification over data stream[C]//Proceeding of Thirtieth AAAI Conference on Artificial Intelligence.[S.l.]: AAAI, 2016.
|
[13] |
Osojnik A, Panov P, Dzˇeroski S. Multi-label classification via multi-target regression on data streams[J]. Machine Learning, 2017, 106(6): 745-770. DOI:10.1007/s10994-016-5613-5 |
[14] |
冯超, 文益民, 汤凌冰. 基于主要特征抽取的重现概念漂移处理算法[J]. 数据采集与处理, 2016, 31(2): 315-324. Feng Chao, Wen Yimin, Tang Lingbing. Algorithm of recurring concept drift based on main feature extraction[J]. Journal of Data Acquisition and Processing, 2016, 31(2): 315-324. |
[15] |
Bolón-Canedo V, Sánchez-Maroño N, Alonso-Betanzos A. Feature selection and classification in multiple class datasets:An application to KDD CUP 99 dataset[J]. Expert Systems with Applications, 2011, 38(5): 5947-5957. DOI:10.1016/j.eswa.2010.11.028 |
[16] |
Street W N, Kim Y S. A streaming ensemble algorithm (SEA) for large-scale classification[C]//ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.[S.l.]: ACM, 2001: 377-382.
|