《表2 在2个非线性合成数据集和6个真实数据集上的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于决策树模型重用的分布变化流数据学习》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实验结果.表2展示不同算法在8个数据集上的表现.在每个数据集上，我们均进行了10次测试运行，并显示了平均正确率以及标准偏差.·（?）表示在95%显著性水平的成对t-检验意义下，Condor Forest算法明显优于（劣于）对比方法.表2显示，Condor Forest算法在5个数据集（总计8个数据集）上取得最优的性能，这体现了Condor Forest算法的有效性.此外，我们可以看到，在两个非线性的合成数据集上，Condor Forest算法显著优于Condor SVM算法.这是因为Condor SVM的基分类器是线性支持向量机，因此无法很好地拟合这类非线性数据.在其他6个真实数据集上，Condor Forest在其中4个数据集上取得了最优的性能.在Weather和Gas Sensor这两个数据集上，Condor Forest的表现不如Condor SVM，这可能是因为这两个数据集的数据分布相对而言比较散，线性可分性比较强，因此更加适合采用基于SVM的方法进行分类.值得注意的是，总体而言，在6个真实数据集上，Condor Forest和Condor SVM算法取得了最优，优于其他的对比方法（DWM，DTEL，TIX）.这两种算法均采用模型重用机制以抵御流数据中的分布变化，这体现了模型重用机制的有效性.