面向不平衡数据流的自适应加权在线超限学习机算法

作者：梅颖; 卢诚波^*

来源：模式识别与人工智能, 2019, 32(02): 144-150.

DOI：10.16451/j.cnki.issn1003-6059.201902006

• 不平衡学习
• 数据流
• 在线学习
• 加权超限学习机(W-ELM)
• 概念漂移

一般的在线学习算法对不平衡数据流的分类识别会遇到较大困难,特别是当数据流发生概念漂移时,对其进行分类会变得更困难.文中提出面向不平衡数据流的自适应加权在线超限学习机算法,自动调整实时到达的训练样本的惩罚参数,达到在线学习不平衡数据流的目的.文中算法可以适用于不同偏斜程度的静态数据流的在线学习和发生概念漂移时数据流的在线学习.理论分析和在多个真实数据流上的实验表明文中算法的正确性和有效性.

• 单位
  丽水学院