【摘要】 一种基于增量朴素贝叶斯网多分类器集成方法，包括初始化集成分类器及各主要参数；如果没有新数据，结束；使用当前集成分类器预测新数据项的类别；动态更新所有个体分类器的参数值；更新所有个体分类器的权重；如果当前集成分类器对新数据的类别预测不发生错误，则使用新数据项训练集成分类器中的所有个体分类器；根据KL剪枝策略删除冗余个体分类器；增加一个新个体分类器；使用新数据项训练所有个体分类器。本发明能有效改善发生概念漂移时的分类预测结果。此方法特别适合于处理概念漂移问题。 微信 【专利类型】发明授权 【申请人】吉林大学 【申请人类型】学校 【申请人地址】130012 吉林省长春市前进大街2699号 【申请人地区】中国 【申请人城市】长春市 【申请人区县】朝阳区 【申请号】CN200810050425.8 【申请日】2008-02-29 【申请年份】2008 【公开公告号】CN101251851B 【公开公告日】2010-08-25 【公开公告年份】2010 【授权公告号】CN101251851B 【授权公告日】2010-08-25 【授权公告年份】2010.0 【IPC分类号】G06F17/30 【发明人】刘大有; 关菁华; 黄晶; 齐红 【主权项内容】一种基于增量朴素贝叶斯网多分类器集成方法，其特征在于包括下列步骤：初始化集成分类器及各主要参数；判断是否有新数据，如果没有新数据，结束整个多分类器集成方法；如果有新数据，则使用当前集成分类器预测新数据的类别；动态更新所有个体分类器的参数值；更新所有个体分类器的权重；判断当前集成分类器对新数据的类别预测是否发生错误，如果预测不发生错误，则使用新数据训练集成分类器中的所有个体分类器；如果预测发生错误，则根据基于相对熵的剪枝方法删除冗余个体分类器；增加一个新的个体分类器；使用新数据训练所有个体分类器。 【当前权利人】吉林大学 【当前专利权人地址】吉林省长春市前进大街2699号 【统一社会信用代码】121000004232040648 【家族被引证次数】20
