论文部分内容阅读
对异构网络信息中漂移数据流的检测,可有效提高网络信息数据的稳定性。对漂移数据流进行有效检测,需要先对属性分类划分,利用网络信息的不确定性解决数据流的漂移。传统方法利用随机决策树模型构建异构网络信息数据流集成分类器,但忽略了对数据流的属性分类,导致检测精度低。提出基于朴素贝叶斯理论的异构网络信息漂移数据流检测方法。首先估计异构网络信息未知数据流的不确定数值属性,结合自适应决策树节点的分割理论对不确定数值属性进行划分,将其转变为不确定分类属性,再结合朴素贝叶斯理论训练异构网络信息数据流基分类器,在合理处