一种基于贝叶斯的多窗口数据流分类模型
近年来,数据流挖掘已成为知识发现领域中的一个研究热点,而数据无限性和概念漂移性等特征使得传统的分类算法不能很好地适应数据流环境.提出一种基于贝叶斯的多窗口数据流分类模型(Bayesian classifier for classifying data streams based on multi-windows,BCCDSMW)对数据流进行分类.BCCDSMW考虑离散属性和连续属性的不同处理,对时间窗口内的数据进行压缩.只有少量样本被保存,其他样本只保存少量统计量,以便在有限的空间上尽可能多的利用有效历史数据.目的是在适应概念漂移的前提下,利用多个时间段的数据学习生成单个贝叶斯分类器,使其能准确地反映当前数据流的实际情况,并且该分类器能快速地对未来数据分类处理.实验结果表明,该模型有较好的分类效果.
数据流挖掘 分类模型 贝叶斯分类器 滑动窗口
陈猛 郭华平 范明
郑州大学计算机科学系 郑州 450052
国内会议
桂林
中文
496-501
2008-10-24（万方平台首次上网日期，不代表论文的发表时间）