基于核极限学习机的多标签数据流集成分类方法

极限学习机因具有高效处理、性能优越以及更少人工参数设定等优点，已成功应用于批处理多标签分类问题。然而，实际应用领域涌现的数据流呈现海量快速、多标签和概念漂移等特点，使得这些传统的多标签分类算法面临精度与时空的挑战。本文提出一种基于核极限学习机的多标签数据流集成分类方法。首先，为适应数据流环境，利用滑动窗口机制将数据流划分为数据块，在前k个数据块上构建k个核极限学习机的集成分类模型；同时，考虑类标签相关性，利用Apriori算法得到每个数据块的标签间的关联规则，并将关联规则中的同现标签的置信度引入到基于集成模型的预测过程中，以提高整体的分类精度；其次，引入MUENLForeset模型检测新到来的数据块是否发生概念漂移，对分类器设置损失函数更新集成模型以适应概念漂移问题。最后，在实际多标签数据上的大量实验表明：与经典多标签批处理和流数据分类方法相比，所提方法不仅能适应多标签数据流中的概念漂移问题，同时在分类精度上具有显著优势。