隐含概念漂移的不确定数据流集成分类算法

　　近年来，数据流分类问题已经逐渐成为数据挖掘领域的一个研究热点，然而传统的数据流分类算法大多只能处理数据项已知并且为精确值的数据流，无法有效地应用于现实应用中普遍存在的不确定数据流。为建立适应数据不确定性的分类模型，提高不确定数据流分类准确率，提出一种针对不确定数据流的集成分类算法，该算法将不确定数据用区间及其概率分布函数表示，用C4.5决策树分类方法和朴素贝叶斯分类方法训练基分类器，在合理处理数据流中不确定性的同时，还能有效解决数据流中隐含的概念漂移问题。实验结果表明，所提算法在处理不确定数据流的分类时具有较好的鲁棒性，并且具有较高的分类准确率。