数据流挖掘机器学习算法——Hoeffding Tree

数据流挖掘机器学习算法——Hoeffding Tree

Hoeffding Tree是为解决数据流分类问题所提出的

数据流

1. 概念：数据流（data stream）是一组有序，有起点和终点的字节的数据序列。包括输入流和输出流。

2. 特点：
   a. 数据是快速到达的；
   b. 数据的属性纬度很广；
   c. 数据的到达时间是持续的.
   d. 数据流中还存在“概念漂移”、“不平衡“等特性.

3. 与传统的关系数据模式的区别：
   a. 数据联机到达；
   b. 处理系统无法控制所处理的数据的到达顺序;
   c. 数据可能是无限多的；
   d. 由于数据量的庞大，数据流中的元素被处理后将被抛弃或存档（archive).以后再想获取这些数据将会很困难，除非将数据存储在内存中，但由于内存大小通常远远小于数据流数据的数量，因此实际上通常只能在数据第一次到达时获取数据。

4. 针对数据流的建模的要求：
   在数据流分类算法的设计中，应该以到来的部分数据为训练集，实现分类模型的训练，并随着后续数据的不断到达来更新原有模型，使该模型更适合数据流环境。

5. 目前在数据流分类算法上主要存在两方面的问题：
   a. 提高决策树模型精度的同时必定会以空间复杂度为代价，而数据流的数据规模庞大与之相矛盾.
   b. 现实的生产生活所产生的数据流中存在“概念漂移”现象，会造成决策树模型的精度降低.

6. 为何要选择决策树来做