胡学钢 马利伟 李培培

(合肥工业大学计算机与信息学院数据挖掘与智能计算实验室，合肥，230009)

一种基于Tri-training的数据流集成分类算法

胡学钢 马利伟 李培培

(合肥工业大学计算机与信息学院数据挖掘与智能计算实验室，合肥，230009)

数据流分类是数据挖掘领域的重要研究任务之一，已有的数据流分类算法大多是在有标记数据集上进行训练，而实际应用领域数据流中有标记的数据数量极少。为解决这一问题，可通过人工标注的方式获取标记数据，但人工标注昂贵且耗时。考虑到未标记数据的数量极大且隐含大量信息，因此在保证精度的前提下，为利用这些未标记数据的信息，本文提出了一种基于Tri-training的数据流集成分类算法。该算法采用滑动窗口机制将数据流分块，在前k块含有未标记数据和标记数据的数据集上使用Tri-training训练基分类器，通过迭代的加权投票方式不断更新分类器直到所有未标记数据都被打上标记，并利用k个Tri-training集成模型对第k+1块数据进行预测，丢弃分类错误率高的分类器并在当前数据块上重建新分类器从而更新当前模型。在10个UCI数据集上的实验结果表明：与经典算法相比，本文提出的算法在含80%未标记数据的数据流上的分类精度有显著提高。

数据流分类；Tri-training；未标记数据；集成；加权投票

引 言

随着网络技术的迅速普及，电子商务、网上娱乐等实际应用要处理的数据量越来越大，数据形式也越来越多，如：淘宝网上每天成千上万的购物记录，QQ相关娱乐软件上无时无刻不在产生的新注册用户、聊天记录和游戏日志等等。……