1.一种基于霍夫丁树的多标签流数据分类方法，其特征在于包括以下步骤：S01.定义样本集 表示d维样本空间，Y＝{y1,y2,...,yq}表示标签空间，其中q＞1；

则一条多标签实例可以用(x，y)表示，其中x＝(x1,...,xd)∈χ是一个d维特征向量，y是对应标签向量且y∈Y；

S02.定义一个包含n条实例的多标签数据集D＝{(xi,yi)|1≤i≤n}；

S03.获取当前到达的实例的特征向量x＝(x1,...,xd)和标签向量y＝(y1,y2,...,yq)；

S04.获取特征向量的长度为d，计算分配给每个基分类器的特征数量S05.用矩阵H存放为每个基分类器划分的特征值在特征向量中对应的下标；

S06.定义该实例的任意特征至少被基分类器选中一次的概率p，定义用户期望任意特征至少被基分类器选中一次概率最小值为Pmin；

S07.根据特征向量长度 和Pmin计算级联结构中基分类器的数量γ；

S08.初始化γ个经过特征划分的基分类器：VFDT1、VFDT2……VFDTγ；

S09.用未经特征划分特征向量初始化一个完整的基分类器VFDTall；

S10.将步骤S08和S09初始化的γ+1个基分类器视为一个整体，将其作为基本单元，称为VFDT‑Forest；

S11.将步骤S08、S09和S10重复δ次，即初始化δ个互不相同的基本单元：VFDT‑Foresti，其中1≤i≤δ，他们构成分层式模型的第一层layer1；

S12.执行S11初始化layer2；至此，分层式多标签流数据模型初始化完成，开始训练；

S13.训练时，新实例到达，将其特征向量x和标签向量y传入同一层的δ个基本单元，每个基本单元做增量式学习，每一层训练时进行三折交叉验证，得到每个当前层的权值θj；

S14.预测时，新实例到达，将其特征向量x和标签向量y传入同一层的δ个基本单元，每个基本单元针对当前实例给出一个标签预测值S15.当前层的阈值θj施加到当前层各基本单元的预测值 上，再与原始特征向量y拼接，作为新的特征向量，和标签向量y一起传入下一层；

S16.预测时，计算并记录每一层的预测精度，若最近三层的精读没有明显提升，则取当前层的预测值最为模型针对当前实例的最终预测值，以此控制模型层数。

2.根据权利要求1所述的基于霍夫丁树的多标签流数据分类方法，其特征在于：步骤S04～S08中所述的计算基分类器的数量并划分特征值的具体步骤如下所述：①步骤S03中获取了当前到达的实例的特征向量x和标签向量y，用户定义一个常量Pmin，表示用户期望任意特征至少被基分类器选中一次概率最小值；

②获取特征向量的长度为d，初始化基分类器的数量γ＝1，特征值下标数组H；

③利用一下公式计算任意特征至少被某个基分类器选中一次的概率：④利用while循环：当P

⑤初始化一个特征值数组cur，从特征向量x中连续不放回的随机抽取 个特征，将其下标存入cur中；

⑥针对④中的γ个基分类器都做⑤，将每趟得到的cur数组依次存入矩阵H中；

⑦完成④和⑥后得到基分类器数量和各自对应的划分的特征值下标数组H。

3.根据权利要求1所述的基于霍夫丁树的多标签流数据分类方法，其特征在于：步骤S10中初始化的VFDT‑Forest作增量学习并在预测时得到预测值的具体步骤如下所述：①实例到达后，初始化一个长为L的队列数组Q＝(q1,q2,...,qL)，其中L是每条实例的标签数量；

②Q中每个元素都是一个队列，用来暂存每个标签最近λ个预测值，当新实例到达时，队尾记录将被移除，新预测值被添加到队首；

③预测时队列会累加每个基分类器针对各个标签的最近λ个预测值，如果累加比例为r(r∈(0,1])的元素既得到正确的结果，则说明基分类器的预测效果足够准确；

④对n个基分类器的预测值使用投票法，得到每个标签预测值，否则采用VFDTall的预测值作为当前实例当前标签的预测值。