3、基于高斯分布的高效数据流分类规则提取方法

基于高斯分布的高效数据流分类规则提取方法

在数据流分类领域，如何高效处理连续属性一直是一个重要的研究方向。本文将介绍一种基于高斯分布的规则提取方法，旨在提高规则提取的计算效率，同时保持较高的分类准确性。

1. eRules分类器及其规则归纳方法

eRules分类器主要有三个核心过程：
- 批量模式学习规则 ：使用Prism算法在第一批传入的数据实例上学习初始规则集。若后续实例未被当前规则集覆盖，则将其添加到缓冲区。当缓冲区中的实例数量达到用户定义的阈值时，使用Prism算法从这些实例中诱导新规则，并清空缓冲区。
- 添加新规则 ：每当从缓冲区生成新规则时，将其添加到当前规则集，以适应数据流中出现的新概念。
- 验证和移除现有规则 ：如果所学规则与当前概念不再相关（即发生概念漂移），eRules会将其从模型中移除。这通过规则的分类准确性随时间的下降来量化。

2. 当前基于条件概率的规则项归纳方法

原始的Prism方法仅适用于处理分类数据以诱导规则项 (α = v)。而eRules和VFDR算法能够处理连续属性，但处理方式有所不同。eRules生成的规则项形式为 (α < v) 或 (α ≥ v)，VFDR生成的规则项形式为 (α ≤ v) 或 (α > v)。eRules处理连续属性的步骤如下：
1. 按属性值对数据集进行排序。
2. 对于连续属性α的每个可能值v，计算目标类对于 (α < v) 和 (α ≥ v) 两个规则项的概率。
3. 返回对目标类总体概率最高的规