基于集成的单标签和多标签数据流分类算法研究

声明

致谢

摘要

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 单标签数据流分类国内外研究现状

1．2．2 多标签分类国内外研究现状

1．2．3 多标签数据流分类国内外研究现状

1．3 当前研究中存在的问题

1．4 研究内容与组织结构

1．4．1 研究内容

1．4．2 论文组织结构

2 分类算法简介

2．1 数据流分类算法简介

2．1．1 增量学习

2．1．2 集成学习

2．1．3 现实工具

2．2 多标签分类算法简介

2．2．1 问题转换

2．2．2 算法适应

2．2．3 评价指标

2．2．4 现实工具

2．3 多标签数据流分类算法简介

2．3．1 评价指标

2．3．2 现实工具

2．4 本章小结

3 基于快速无监督特征选择的数据流分类算法

3．1 问题定义

3．2 算法基础

3．2．1 无监督特征选择

3．2．2 DXMiner算法

3．3 基于快速无监督特征选择的数据流分类算法

3．3．1 算法基本思想

3．3．2 两种特征子集快速选择方法

3．3．3 统一特征空间

3．3．4 分类器训练与更新

3．4 实验及结果分析

3．4．1 特征选择算法性能比较

3．4．2 特征子集的大小对分类效果的影响

3．4．3 分类算法性能对比

3．5 本章小结

4 加权的集成多标签数据流分类算法

4．1 算法基础

4．1．1 ML-KNN算法

4．2 基于集成的加权多标签数据流分类算法

4．2．1 算法基本思想

4．2．2 算法的训练与更新

4．2．3 权重调节

4．3 实验及结果分析

4．3．1 SWMEC与其基准算法ML-KNN算法的性能比较

4．3．2 SWMEC与SMART算法的性能比较

4．4 本章小结

5 集成大小不限的多标签数据流分类算法

5．1 集成大小不限的加权多标签数据流分类算法

5．1．1 算法基本思想

5．1．2 算法的训练与更新

5．1．3 权重调节

5．2 实验及结果分析

5．2．1 SWMUEC与MLKNN、SMART的性能比较

5．2．2 SWMUEC与改进前算法SWMEC的性能比较

5．3 本章小结

6 结论与展望

6．1 研究总结

6．2 工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集