基于串行交叉混合集成的概念漂移检测及收敛方法

概念漂移处理大多采用集成学习策略，然而这些方法多数不能及时提取漂移发生后新分布数据的关键信息，导致模型性能较差。针对这个问题，本文提出一种基于串行交叉混合集成的概念漂移检测及收敛方法（Concept drift detection and convergence method based on hybrid ensemble of serial and cross，SC_ensemble）。在流数据处于平稳状态下，该方法通过构建串行基分类器进行集成，以提取代表数据整体分布的有效信息。概念漂移发生后，在漂移节点附近构建并行的交叉基分类器进行集成，提取代表最新分布数据的局部有效信息。通过串行基分类器和交叉基分类器的混合集成，该方法兼顾了流数据包含的整体分布信息，又强化了概念漂移发生时的重要局部信息，使集成模型中包含了较多“好而不同”的基学习器，实现了漂移发生后学习模型的高效融合。实验结果表明，该方法可使在线学习模型在漂移发生后快速收敛，提高了模型的泛化性能。