基于准确率爬坡的动态加权集成分类算法

• 全文链接
• 请求原文

作   者：

李小娟;  韩萌;  王乐;  张妮;  程浩东; 

作者机构：

北方民族大学计算机科学与工程学院; 

关键词：

集成学习;  动态加权;  数据流;  爬坡;  准确率;  集成数目;  分类; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2022 年 42 卷 01 期

页   码：

123-131

摘   要：

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。