در عصر حاضر، دادهها با سرعت و حجم بسیار زیادی بهصورت بدون توقف و به شکل جریان داده در حال تولید هستند. یکی از روشهای کاربردی در کار با جریان داده، طبقه جریان ورودی است. از این رو در سالهای اخیر روشهای زیادی برای طبقهبندی جریان داده ارایٔه شده است. در روشهای طبقهبندی نظارتی جریان داده، جهت بهروزرسانی الگوریتم نیاز به دسترسی به برچسب واقعی هر نمونه ورودی بعد از عمل طبقهبندی میباشد درحالیکه در دنیای واقعی دسترسی به برچسب واقعی دادهها امری زمانبر و دشوار است. از این روی روشهای یادگیری نیمهنظارتی، عملکرد بهتری در کاربردهای دنیای واقعی ارایٔه میدهند. از سویی در این دسته از روشها، چالش اصلی ارایٔه دقت کافی با حفظ سرعت و حافظه اجرایی مناسب است. در این مقاله سعی در بهبود الگوریتمی جهت طبقهبندی جریان داده با مورد لحاظ قراردادن دقت، زمان اجرایی و حافظه مصرفی بوده است. به طور خاص، هدف این مقاله بهبود زمان و مرتبه اجرایی با حفظ دقت و حافظه مصرفی است. به همین جهت یکی از الگوریتمهای کارآمد طبقهبندی جریان داده بهبود داده شده است. نتایج خروجی بر روی دادههای دنیای واقعی و ساختگی نشان از بهبود زمان اجرایی الگوریتم با حفظ دقت و حافظه مصرفی دارد.
