در عصر حاضر، داده ها با سرعت و حجم بسیار زیادی به صورت بدون توقف و به شکل جریان داده در حال تولید هستند. یکی از روشهای کاربردی در کار با جریانداده، طبقه جریان ورودی است. از این رو در سالهای اخیر روشهای زیادی برای طبقهبندی جریانداده ارایٔه شده است. روشهای موجود را از نقطهنظرهای مختلفی میتوان مورد بررسی قرار داده و در دستهبندهای مختلفی قرار داد. در نخستین دید بررسی و دستهبندی روشهای موجود بر اساس نوع الگوریتم یادگیری میباشد. در روشهای طبقهبندی نظارتی جریانداده، 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. در دید دیگر دستهبندی روشهای موجود براساس روش طبقهبند پایه میباشد، استفاده از طبقهبند KNN به همراه استفاده از روشهای مبتنی بر ریزخوشه جهت ایجاد مرز تصمیمگیری به همراه خلاصهسازی دادهها یکی از روشهای ساده و در عین حال کارآمد در طبقهبندی جریانداده میباشد. از سویی در دنیای واقعی، چالش اصلی ارایٔه دقت کافی با حفظ سرعت و حافظه اجرایی مناسب است. در روش پیشنهادی با اعمال رویکرد بسته محور به همراه استفاده از معیارهای مبتنی بر چگالی و استفاده از روش مبتنی بر خطا مرتبه زمانی روش پایه از مرتبه )𝑛2(𝑂 به مرتبه زمانی ))𝑛(𝑔𝑜𝑙.𝑛(𝑂 کاهش پیدا نمود. نتایج آزمایش مجموعهدادههای دنیای واقعی حاکی از بهبود 47 درصدی زمان اجرایی روش پیشنهادی نسبت به روش پایه خویش دارد. میزان تغییرات دقت خروجی چشمگیر نبوده و بهصورت میانگین میان تمامی مجموعهدادههای مورد آزمایش حاکی از بهبود 0.33 درصدی نبست به روش پایه خویش دارد.
