基于准确率爬坡的动态加权集成分类算法

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.