存儲器實驗數據

① 存儲容量為64M、20000數據塊什麼意思

第一個實驗數據流為50 個大小 為20000 的數據塊，記為 stream01． 第二個實驗數據流 為100 個大小為10000 的數據塊，記為stream02． 第三個 實驗數據流為 200 個大小為 5000 的數據塊， 記為 stream03． 第四個實驗數據流為20 個大小為40000 據塊，記為stream04．分類學習演算法 採用決策樹（DT），並基於Weka 包實現，參數取其默認值，各基礎分類器 的權重採用第一種確定策略． 實驗環境是：Intel 奔騰雙 CPU，內存大小2G，Java heap space JVM Xms64m－Xmx512m，操作系統為windowXP． 實驗結果與分析進行實驗時， 實驗數據流 stream01、 stream02、 stream03 在訓練窗口中樣本塊數為5，stream04 驗證IMDWE 在不同正類比例 下的執行情況，我們分別取了9 從構建集成分類器的平均執行時間來看，實驗比較結果表明（圖2）：在正類比例 歐陽震諍：一種不平衡數據流集成分類模型範圍內，IMDWE 集成分類器構建分類器的執行時間比 WE 集成分類器少；對於 stream01，平均執行時間最多 減少36 2％，最少減少28 4％；對於stream02，平均執行 時間最多減少51 2％；對於 stream03，平均執行時間最 多減少45 7％；對於 stream04，平均執行時間最多減少 36 2％． 時，此時IMDWE平均執行時間出 現增加的趨勢，主要是由於訓練窗口中樣本個數出現 明顯增加（n ），從而導致訓練時間的增加．實驗採用Gmean 評價 IMDWE 的整體分類性能． Gmean值相比WE Gmean值都出現了明顯的提升， IMDWE的整體分類性能要明顯優於WE 的整體分 類性能． 尤其對於stream01，IMDWE 的整體分類性能提 升明顯，最大提升為 12 4％， 最小為 10 4％； 而對於 stream02、 stream04， IMDWE 的整體分類性能提升在 8％到8％ 之間； 對於 stream03， 提升度在 3％之間．從提升整個正類的分類精度來看，從圖 可以看出，相比 WE，IMDWE 對於提高正類的分類精度是明顯 的，尤其對於 stream01，recall 值最大提升達到 26． 7％， 最小也在22％以上，而最小的提升出現在 stream03，相 對提升度在 FValue值來看，從 可以看出，相比WE，IMDWE 對於不同的 現了不同的結果，但是對於stream01，在 的范圍內，FValue值提升都在10 8％以上，最大達 到11 8％；對於stream02，在 的范圍內，FValue 值提升最大在 9％，最小在 4％；而對於 stream03 與stream04，只有在 附近才出提升，而其他 值都出現降低，此時主要是IMDWE precision值出現了降低（圖6） 結論目前多數數據流分類器的設計是基於數據流中類 的分布是大致平衡這一假設的，而某些實際應用中對 於少數類的分類性能是重點關注的． 本文基於權重集 成分類器，綜合利用抽樣技術，提出了一種處理不平衡 數據流的集成分類模型———IMDWE 集成分類器模型． 實驗驗證表明：IMDWE 集成分類器的整體分類性能優 於WE 集成分類器，能明顯提高少數類的分類精度，並 且構建模型的演算法復雜度更低，更適合高速數據流的 分類挖掘． 從實驗中可以看出，相比 WE 集成分類器，IMDWE 集成分類器在提升少數類的Fvalue 值時對於不同的正 類比例 出現了不穩定性，這主要是由於precision 的降低過快造成的．因此根據應用問題中正負類樣本 比例的不同、數據流流速（塊大小）的不同，如何選取適 值變得非常重要，這也是我們下一步研究的方向．