摘要:近年来,数据流分类问题研究受到了普遍关注,而漂移检测是其中一个重要的研究问题。已有的分类模型有单一集成模型和混合模型,其漂移检测机制多基于理想的分布假设。单一模型集成可能导致分类误差扩大,噪音环境下分类效果受到了一定影响,而混合集成模型多存在分类精度和时间性能难以两者兼顾的问题。为此,基于简单的我们集成框架,构建了基于决策树和贝叶斯混合模型的集成分类方法WE-DTB、并利用典型的概念漂移检测机制Hoeffing界限和μ检验来进行数据流环境下概念漂移的检测和分类。大量实验表明,WE-DTB公司能够有效检测概念漂移且具有较好的分类精度及时空性能。