[发明专利]基于历史分类器二次学习的数据流分类方法

摘要

本发明提出了一种基于历史分类器二次学习的数据流分类方法，旨在通过历史分类器的二次学习有效利用历史信息，提高动态数据环境下数据流分类的精度，包括如下步骤：获取训练数据和待分类数据；获取分类器；判断存档内存入的分类器数量是否满足要求；对存档中的分类器进行更新；对训练数据进行分类；对历史分类器进行二次学习，并构建分类器集成；对待分类数据进行分类；获取t＝m+1以后的待分类数据的分类结果；向用户输出待分类数据的分类结果。本发明在构建集成分类器时，通过对存档中历史存入的分类器进行二次学习，对历史信息进行纠正，从而有效的利用历史信息，提高动态数据环境下数据流分类的精度。

主权项

1.一种基于历史分类器二次学习的数据流分类方法，其特征在于，包括如下步骤：(1)获取训练数据和待分类数据：接收动态数据环境下的数据流，并将数据流中的数据按照接收顺序划分为n个数据块，n≥3，将每个数据块中带有分类标签的数据作为训练数据，其余的数据作为待分类数据，记第t个数据块的训练数据为Dt，待分类数据为Tt，并将t初始化为1；(2)获取分类器ft：将训练数据Dt输入到回归树中对其进行训练，得到分类器ft；(3)判断存档A中存入的分类器数量是否更新要求：将分类器ft存入存档A中，并判断A内存入的分类器的数量是否小于m，2≤m＜n，若是，令t＝t+1，并执行步骤(2)，否则，将t＝m时存档A中的分类器放入存档St中，并执行步骤(4)；(4)对存档St中的分类器进行更新：当t＝m时，将训练数据Dt输入到回归树中对其进行训练，得到分类器ft，并将分类器ft存入存档St中，通过多样性函数求取St内存入的每个分类器相对其他分类器的多样性值的和divs，然后删除St内divs值最小的分类器，得到更新后的存档St；(5)对训练数据Dt进行分类：当t＝m时，通过St内的分类器对训练数据Dt进行分类，得到分类结果Yt；(6)对历史分类器进行二次学习，并构建分类器集成EMt：(6a)当t＝m时，计算训练数据Dt的新分类标签Yt′：Yt′＝Yt‑y，并用Yt′替换训练数据Dt的分类标签，得到数据集Dt′，然后将Dt′输入到回归树中对其进行训练，得到分类器Ft′，最后将Ft′与从存档St中读取的历史存入的分类器Ft的和作为分类器组Ft+Ft′，实现对历史分类器的二次学习；(6b)当t＝m时，按照下式对分类器ft与分类器组Ft+Ft′进行组合，得到分类器集成EMt：EMt＝(Ft+Ft′+ft)/(m+1)；(7)对待分类数据Tt进行分类：当t＝m时，将待分类数据Tt输入到集成EMt中进行分类，得到待分类数据Tt的分类结果；(8)获取t＝m+1以后的待分类数据Tt的分类结果：令t＝t+1，重复执行步骤(4)到步骤(7)，直到当t＞n停止，得到n‑m个待分类数据的分类结果；(9)向用户输出所有待分类数据的分类结果。