基于集成的單標(biāo)簽和多標(biāo)簽數(shù)據(jù)流分類算法研究.pdf

1、與傳統(tǒng)的靜態(tài)數(shù)據(jù)相比，現(xiàn)代數(shù)據(jù)多以數(shù)據(jù)流的形式產(chǎn)生和積累，數(shù)據(jù)類型方面也越來越常見到多標(biāo)簽類型。數(shù)據(jù)形式與類型的變化無論對(duì)單標(biāo)簽數(shù)據(jù)流分類還是多標(biāo)簽數(shù)據(jù)流分類都提出了巨大的挑戰(zhàn)。本文針對(duì)單標(biāo)簽數(shù)據(jù)流分類算法，在前人工作的基礎(chǔ)上提出了兩種改進(jìn)算法;另一方面，針對(duì)多標(biāo)簽數(shù)據(jù)流分類算法，本文受以往研究成果的啟發(fā)，提出了兩種新穎的分類算法。具體工作如下:
　　(1)為解決單標(biāo)簽數(shù)據(jù)流分類算法大多無法解決特征演化且分類效果欠佳的問題，本文改

2、進(jìn)靜態(tài)數(shù)據(jù)環(huán)境下的無監(jiān)督特征選擇算法，降低其時(shí)間復(fù)雜度來適應(yīng)數(shù)據(jù)流環(huán)境，并以DXMiner算法為原型，應(yīng)用改進(jìn)后的無監(jiān)督特征選擇算法優(yōu)化其特征選擇部分，提出了一種基于集成學(xué)習(xí)與無監(jiān)督特征選擇思想的數(shù)據(jù)流分類算法。
　　(2)由于工作(1)中所提算法的時(shí)間復(fù)雜度仍有優(yōu)化空間，本文采用一種在高維度數(shù)據(jù)環(huán)境下表現(xiàn)優(yōu)異的數(shù)據(jù)結(jié)構(gòu)進(jìn)一步改進(jìn)算法的特征選擇部分，提出了一種改進(jìn)的基于集成學(xué)習(xí)與快速無監(jiān)督特征選擇的數(shù)據(jù)流分類算法。
　　(3

3、)為解決多標(biāo)簽數(shù)據(jù)流分類綜合了多標(biāo)簽數(shù)據(jù)分類與數(shù)據(jù)流分類兩方面的難點(diǎn)，本文受多標(biāo)簽靜態(tài)數(shù)據(jù)分類算法的啟發(fā)，提出了一種動(dòng)態(tài)加權(quán)集成的多標(biāo)簽數(shù)據(jù)流分類算法。該算法使用ML-KNN模型與KNN思想訓(xùn)練基分類器，并設(shè)計(jì)一種新穎的動(dòng)態(tài)變化的權(quán)重調(diào)節(jié)機(jī)制，動(dòng)態(tài)集成各個(gè)子分類器來最終給出分類結(jié)果，分類后數(shù)據(jù)被用來訓(xùn)練新的子分類器并替換原模型中表現(xiàn)不好的分類器。
　　(4)工作(3)中所提算法中集成模型的大小對(duì)分類效果影響極大，而該參數(shù)需要人工確

4、定，另外該算法在更新過程中舍棄了部分有用的信息。為解決模型大小確定困難與丟失信息不利于分類的問題，本文提出了一種集成大小不固定的多標(biāo)簽數(shù)據(jù)流分類模型。新模型維護(hù)一個(gè)分類器池，每次分類時(shí)從池中動(dòng)態(tài)的選取若干子分類器加權(quán)集成，處理過的數(shù)據(jù)又被訓(xùn)練成新的模型并加入分類器池中。
　　本文的主要貢獻(xiàn)在于:第一，工作(1)、(2)均解決了單標(biāo)簽數(shù)據(jù)流分類算法大多未考慮的特征演化問題并且時(shí)間復(fù)雜度足夠低來適用于數(shù)據(jù)流環(huán)境;第二，在目前多標(biāo)簽數(shù)據(jù)