| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-13页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 本文的主要工作 | 第11-12页 |
| 1.3 本文的组织结构 | 第12-13页 |
| 2 数据流挖掘系统综述 | 第13-26页 |
| 2.1 问题的定义 | 第13-15页 |
| 2.2 大规模在线分析系统MOA | 第15-16页 |
| 2.3 数据流分类算法 | 第16-21页 |
| 2.3.1 Hoeffding树算法 | 第16-19页 |
| 2.3.2 VFDT和CVFDT | 第19-20页 |
| 2.3.3 VFDR(Very Fast Decision Rule)规则算法 | 第20-21页 |
| 2.3.4 组合(集成)分类器 | 第21页 |
| 2.4 数据流聚类算法 | 第21-23页 |
| 2.5 数据流概念漂移算法 | 第23-24页 |
| 2.6 本章总结 | 第24-26页 |
| 3 数据流分类算法的评价模型 | 第26-37页 |
| 3.1 评价策略 | 第26-31页 |
| 3.1.1 扣留式测试评价策略Holdout | 第26-28页 |
| 3.1.2 交错式评价策略Prequential | 第28-30页 |
| 3.1.3 有控制的排列评价策略 | 第30-31页 |
| 3.2 性能评价指标 | 第31-36页 |
| 3.2.1 ROC曲线 | 第33-34页 |
| 3.2.2 F测量(F-measure) | 第34页 |
| 3.2.3 Kappa统计值(名称型类属性) | 第34-35页 |
| 3.2.4 资源消耗成本RAM-Hours | 第35-36页 |
| 3.3 本章总结 | 第36-37页 |
| 4 基于数据流分类算法评价模型的改进 | 第37-44页 |
| 4.1 面向平衡准确率的评价模型-BalancedAccuracy | 第37-38页 |
| 4.1.1 计算方法简介 | 第37-38页 |
| 4.1.2 BalancedAccuracy评价的意义 | 第38页 |
| 4.2 数据流环境下的AUC评价模型-AUC2Stream | 第38-43页 |
| 4.2.1 计算方法简介 | 第38-39页 |
| 4.2.2 数据流环境下AUC评价模型的改进-AUC2Stream | 第39-41页 |
| 4.2.3 AUC2Stream评价的意义 | 第41页 |
| 4.2.4 AUC2Stream评价模型伪代码 | 第41-43页 |
| 4.3 本章总结 | 第43-44页 |
| 5 实验及结果分析 | 第44-59页 |
| 5.1 实验平台 | 第44页 |
| 5.2 实验数据 | 第44-51页 |
| 5.2.1 真实数据流数据 | 第44-48页 |
| 5.2.2 人工数据流生成器 | 第48-51页 |
| 5.3 BalancedAccuracy与AUC2Stream评价模型的结果与分析 | 第51-57页 |
| 5.4 本章总结 | 第57-59页 |
| 6 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录A | 第65-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
