基于模式的貝葉斯分類模型是解決數(shù)據(jù)挖掘領(lǐng)域分類問題的一種有效方法，然而，大多數(shù)基于模式的貝葉斯分類器只考慮模式在目標類數(shù)據(jù)集中的支持度，而忽略了模式在對立類數(shù)據(jù)集合中的支持度．此外。對于高速動態(tài)變化的無限數(shù)據(jù)流環(huán)境，在靜態(tài)數(shù)據(jù)集下的基于模式的貝葉斯分類器就不能適用．為了解決這些問題。提出了基于顯露模式的數(shù)據(jù)流貝葉斯分類模型EPDS（Bayesian classifier algorithm based on emerging pattem for data stream）．該模型使用一個簡單的混合森林結(jié)構(gòu)來維護內(nèi)存中事務(wù)的項集。并采用一種快速的模式抽取機制來提高算法速度．EPDS采用半懶惰式學習策略持續(xù)更新顯露模式，并為待分類事務(wù)在每個類下建立局部分類模型．大量實驗結(jié)果表明。該算法比其他數(shù)據(jù)流分類模型有較高的準確度．