文献类型：期刊文章

作　　者：孙艳歌[1,2] 邵罕[1] 杨艳聪[1]

SUN Yange;SHAO Han;YANG Yancong(School of Computer and Information Technology/Henan Key Lab.of Analysis and Applications of Education Big Data,Xinyang Normal University,Xinyang 464000,China;School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]信阳师范学院计算机与信息技术学院/河南省教育大数据分析与应用重点实验室,河南信阳464000 [2]北京交通大学计算机与信息技术学院,北京100044

出　　处：《信阳师范学院学报（自然科学版）》

基　　金：国家自然科学基金项目(61672086);河南省高校科技创新团队支持项目(19IRTSTHN014);信阳师范学院研究生创新基金项目(2018KYJJ52);信阳师范学院青年骨干教师计划(2016GGJS-08)

年　　份：2019

卷　　号：32

期　　号：4

起止页码：670-674

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、IC、JST、RCCSE、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：在数据流分类学习过程中,类不平衡和概念漂移是两大挑战问题.在分析传统特征选择算法和代价敏感学习方法的基础上,将代价敏感学习算法的思想引入特征选择算法中,设计并实现了一种基于代价敏感的ReliefF剪枝的数据流分类算法,不仅能删除冗余的特征,而且适应动态变化的数据流环境.与经典的算法进行分析比较,结果表明所提算法可显著提升分类效果.

关 键 词：数据流 概念漂移 代价敏感  特征选择  

分 类 号：TP311]