一种自适应概念变化的数据流分类器

摘要

多数分类方法基于数据服从静态分布的假设,然而真实世界中数据的采集通常跨越一段时间,如果忽略潜在概念的变化将会严重降低分类模式的预测性能.目前挖掘概念变化的数据流已经成为研究的热点,在入侵检测、系统性能保持等方面有重要应用.提出一种基于SPRINT的在线分类方法SSPRINT,可以动态调整训练窗口的尺寸和分类模型重建期间允许接受的新样本的个数,以自动适应当前概念变化发生的速度;在网络性能数据流上的测试验证了SSPRINT的性能.