关于大数据网络中数据分类优化识别研究

摘要

对大数据网络中数据进行分类优化识别,能提升数据管理的效率.数据处理中,难以保证数据样本集的纯度,降低了数据分类的准确率,需要对大数据网络中数据分类优化识别进行研究.传统方法建立增量式的分类模型对具有不确定性的概念漂移数据分类问题进行处理,具有较高的执行效率,但存在数据分类识别的准确率较差的问题.提出基于改进蛙跳的数据分类优化识别方法.采用基于流形的半监督算法,选择出有效数据特征子集,利用改进蛙跳数据分类方法对选择出的子集进行分类优化识别,通过混沌搜索数据分类的初始化解,进行变异操作生成新的数据个体,依据新的个体对青蛙位置进行更新,设计新的寻找方法,提高了算法的寻优能力,完成对大数据网络中数据分类优化识别.实验结果表明,利用所提方法能有效提高数据分类优化识别的准确率.