基于特征项分布的信息熵及特征动态加权概念漂移检测模型

孙雪; 李昆仑; 韩蕾; 白晓亮

doi:10.3969/j.issn.0372-2112.2015.07.016

您当前的位置：

首页 >

文章列表页 >

基于特征项分布的信息熵及特征动态加权概念漂移检测模型

学术论文 | 更新时间：2025-07-16

- 基于特征项分布的信息熵及特征动态加权概念漂移检测模型
- Construction of the Concept Drift Detection Model Based on the Information Entropy of Feature Distribution and Dynamic Weighting Algorithm
- 电子学报 2015年43卷第7期页码：1356-1361
- 作者机构：
  
  1. 河北大学工商学院,河北,保定,071002
  2. 河北大学电子信息工程学院,河北,保定,071000
  3. 河北大学工商学院,河北,保定,071002
  4. 河北大学电子信息工程学院,河北,保定,071000
- 作者简介：
- 基金信息：
  
  国家自然基金 (No.61073121);河北省自然基金 (No.F2013201170);国家科技支撑计划 (No.2013BAK07B04);河北省高等学校科学技术研究重点项目 (No.ZD2014008);河北大学青年基金 (No.2010Q17)
- DOI：10.3969/j.issn.0372-2112.2015.07.016
  中图分类号： TP391.4TP181
- 纸质出版：2015
- 稿件说明：
移动端阅览
孙雪, 李昆仑, 韩蕾, 等. 基于特征项分布的信息熵及特征动态加权概念漂移检测模型[J]. 电子学报, 2015,43(7):1356-1361.

SUN Xue, LI Kun-lun, HAN Lei, et al. Construction of the Concept Drift Detection Model Based on the Information Entropy of Feature Distribution and Dynamic Weighting Algorithm[J]. Acta Electronica Sinica, 2015, 43(7): 1356-1361.
孙雪, 李昆仑, 韩蕾, 等. 基于特征项分布的信息熵及特征动态加权概念漂移检测模型[J]. 电子学报, 2015,43(7):1356-1361. DOI： 10.3969/j.issn.0372-2112.2015.07.016.

SUN Xue, LI Kun-lun, HAN Lei, et al. Construction of the Concept Drift Detection Model Based on the Information Entropy of Feature Distribution and Dynamic Weighting Algorithm[J]. Acta Electronica Sinica, 2015, 43(7): 1356-1361. DOI： 10.3969/j.issn.0372-2112.2015.07.016.

摘要

现有的概念漂移算法大多建立在数据流的分类模型上

忽略了特征空间与样本空间的分布特点

以及特征选择和加权的重要性.针对此问题提出了一种基于特征项分布的信息熵及特征动态加权算法

从概念漂移的动态演化性出发

根据样本和特征空间的拟合程度

运用特征信息熵理论对数据流中的概念漂移现象进行捕捉

以实现新旧概念的过渡.利用改进的隐含Dirichlet模型特征动态加权算法

以解决当前特征与历史特征的权重确定和无效特征的裁剪问题.在公开的语料库CCERT和Trec06上的测试实验证明了所提出算法的有效性.

Abstract

Most of the existing concept drift algorithm focuses on the classification model data streams

some of which overlook the distribution of the feature space and sample space

and the importance of feature selection and weighting.To solve this problem

we propose a dynamic information entropy and feature weighting algorithm based on the distribution of feature items from the dynamic evolution of the concept drift departure.To realize the concept transition

we capture the concept drifting of the data stream by the information entropy

according to the fitness degree between the sample and feature space.We improve the feature dynamic weighting latent dirichlet model

to overcome the problem of the current and historical feature weight assignment

as well as cropping the invalid features.Furthermore

the validity of the proposed algorithm was confirmed by the test in open corpus CCERT and Trec06.

关键词

Keywords

references

浏览量

1479

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种适用数据流概念漂移检测与适应的增量密度聚类算法

基于动态样本选择的概念漂移自适应预测方法

改进自适应模型池的在线异常检测算法

基于多元区域集划分的工业数据流概念漂移检测

基于改进关键帧选取策略的快速PL-SLAM算法