存储器实验数据

① 存储容量为64M、20000数据块什么意思

第一个实验数据流为50 个大小 为20000 的数据块，记为 stream01． 第二个实验数据流 为100 个大小为10000 的数据块，记为stream02． 第三个 实验数据流为 200 个大小为 5000 的数据块， 记为 stream03． 第四个实验数据流为20 个大小为40000 据块，记为stream04．分类学习算法 采用决策树（DT），并基于Weka 包实现，参数取其默认值，各基础分类器 的权重采用第一种确定策略． 实验环境是：Intel 奔腾双 CPU，内存大小2G，Java heap space JVM Xms64m－Xmx512m，操作系统为windowXP． 实验结果与分析进行实验时， 实验数据流 stream01、 stream02、 stream03 在训练窗口中样本块数为5，stream04 验证IMDWE 在不同正类比例 下的执行情况，我们分别取了9 从构建集成分类器的平均执行时间来看，实验比较结果表明（图2）：在正类比例 欧阳震诤：一种不平衡数据流集成分类模型范围内，IMDWE 集成分类器构建分类器的执行时间比 WE 集成分类器少；对于 stream01，平均执行时间最多 减少36 2％，最少减少28 4％；对于stream02，平均执行 时间最多减少51 2％；对于 stream03，平均执行时间最 多减少45 7％；对于 stream04，平均执行时间最多减少 36 2％． 时，此时IMDWE平均执行时间出 现增加的趋势，主要是由于训练窗口中样本个数出现 明显增加（n ），从而导致训练时间的增加．实验采用Gmean 评价 IMDWE 的整体分类性能． Gmean值相比WE Gmean值都出现了明显的提升， IMDWE的整体分类性能要明显优于WE 的整体分 类性能． 尤其对于stream01，IMDWE 的整体分类性能提 升明显，最大提升为 12 4％， 最小为 10 4％； 而对于 stream02、 stream04， IMDWE 的整体分类性能提升在 8％到8％ 之间； 对于 stream03， 提升度在 3％之间．从提升整个正类的分类精度来看，从图 可以看出，相比 WE，IMDWE 对于提高正类的分类精度是明显 的，尤其对于 stream01，recall 值最大提升达到 26． 7％， 最小也在22％以上，而最小的提升出现在 stream03，相 对提升度在 FValue值来看，从 可以看出，相比WE，IMDWE 对于不同的 现了不同的结果，但是对于stream01，在 的范围内，FValue值提升都在10 8％以上，最大达 到11 8％；对于stream02，在 的范围内，FValue 值提升最大在 9％，最小在 4％；而对于 stream03 与stream04，只有在 附近才出提升，而其他 值都出现降低，此时主要是IMDWE precision值出现了降低（图6） 结论目前多数数据流分类器的设计是基于数据流中类 的分布是大致平衡这一假设的，而某些实际应用中对 于少数类的分类性能是重点关注的． 本文基于权重集 成分类器，综合利用抽样技术，提出了一种处理不平衡 数据流的集成分类模型———IMDWE 集成分类器模型． 实验验证表明：IMDWE 集成分类器的整体分类性能优 于WE 集成分类器，能明显提高少数类的分类精度，并 且构建模型的算法复杂度更低，更适合高速数据流的 分类挖掘． 从实验中可以看出，相比 WE 集成分类器，IMDWE 集成分类器在提升少数类的Fvalue 值时对于不同的正 类比例 出现了不稳定性，这主要是由于precision 的降低过快造成的．因此根据应用问题中正负类样本 比例的不同、数据流流速（块大小）的不同，如何选取适 值变得非常重要，这也是我们下一步研究的方向．