23、数据流分类器与虚拟概念漂移处理算法解析

数据流分类器与虚拟概念漂移处理算法解析

1. 精度更新集成分类器（AUE）概述

精度更新集成（Accuracy Updated Ensemble，AUE）是受精度加权集成（Accuracy Weighted Ensemble，AWE）算法启发而提出的一种新的流分类器。在所有数据集上（除了捐赠数据集两者精度相同外），AUE 的精度都高于 AWE，并且它所需的处理时间和内存是恒定的。

从 AUE 的更新技术来看，在分布较长时间保持稳定、没有概念漂移发生的时期，组件分类器可以在更多的示例上进行训练，从而可能变得更加准确。然而，用相似的示例更新多个组件可能会降低它们的多样性。

2. 虚拟概念漂移与 DEnBoost 算法

2.1 问题提出

在机器学习理论的许多应用中，通常假设基础概念不随时间变化。使用数据样本训练一个模型，并期望它在未来表现良好。但随着时间推移，如果新的观测数据来自输入空间中未见过的区域，模型可能很快就会过时。

概念漂移现象出现在生成数据流的系统中。如果数据及其对应标签的分布发生变化，任何基于当前可用样本训练的分类器都会过时。概念漂移可根据变化的速度（突然 vs 逐渐）和性质（虚拟 vs 真实）进行不同的分类。“真实概念漂移”表现为类标签的变化反映了概念的底层变化，而最常见的是“虚拟概念漂移”，即仅输入空间中数据点的分布发生变化。

2.2 模型定义

• 参考采样 ：设 $D = {(x_i, t_i) : x_i \in X, t_i \in T }$ 为训练集，其中 $x_i$ 是输入值，$t_i$ 是目标标签。