传统分类算法以及流计算分类算法

传统的数据挖掘算法如ID3、C4.5首先都是通过先将数据存储到静态数据库中，当需要进行数据挖掘时再将数据提取出来进行处理，并且现行的算法也大都不是增量式的数据流挖掘，而是将流数据进行存储并转换。分类算法作为有监督的数据挖掘，需要通过分析数据流中数据的特征建立模型从而将未知类标签的数据项对应到相应的类别中从而实现分类的目的。K近邻分类算法、决策树分类算法和贝叶斯分类算法都是一些常用的针对静态数据集的分类算法。这些分类算法都无法一次获取无限数据流全部训练样本并以此建立分类模型。所以在数据流分类算法设计中，应该以到来的部分数据为样本，提出分类模型，并随着后续数据的不断到来更新原有模型，使该模型更适合数据流环境。当前面向大数据的流分类算法主要需要解决两方面的问题：一是数据如何表示，数据流以连续动态的形式不断需要实时处理，而且算法只能对数据流处理一次，不能存储反复读取。另一个是概念漂移问题：数据流是随着时间不断变化的，因此根据数据流建立的模型也会实时的不断发生变化，根据过去的数据样本建立的模型不一定适用于现行的数据流，所以需要算法能够不断根据数据流的特征不断的更新数据模型。专家学者们根据数据流的特点提出了一些适用于数据流环境的流分类算法。常用的分类算法有：VFDT[15]，CVFDT[16]，Ripper[17]、ID3、C4.5、NaiveBayes和神经网络等，这些算法虽然针对数据流的特点进行了一些算法优化，但是仍然没有理想的解决。
面向数据流的分类算法
1.Hoeffding tree算法
Domingos 和 Hulten[15]首先提出一种基于决策树学习的数据流分类算法Hoeffding trees 算法。该算法在处理数据流时，可以在保证挖掘效率的情况下，达到数据流对一些必要操作的要求，这大大优于以往提出的算法。Hoeffding trees 算法简单地对