چکیده: در سال‌های اخیر، یادگیری در حوزه جریان داده توجه بسیاری از محققان و متخصصان را به خود جلب کرده است ولی با این‌حال، یادگیری کمی تا حد زیادی ناشناخته باقی‌مانده است. در برخی از برنامه‌های کاربردی که باید توزیع نظرات مثبت و منفی را به دست آوریم، استفاده از یادگیری کمی بسیار مفید واقع‌شده است. همچنین با کمک این روش می‌توان خصوصیات عمومی خاصی را در مورد جمعیت یک شبکه به دست آورد و با تجزیه‌وتحلیل احساسات افراد، اطلاعات کاربردی مفیدی را استخراج کرد. یادگیری کمی شباهت زیادی با طبقه‌بندی دارد و هردو کار گروه‌بندی داده‌ها را انجام می‌دهند ولی اهداف و کاربرد آن‌ها متفاوت است. در مسائل یادگیری کمی به دنبال تعیین کلاس نمونه‌ها نیستیم و تنها آمار کلی داده‌ها مدنظر است و هدف این است که تخمینی از توزیع داده‌ها را ارائه دهد. الگوریتم‌های اخیر در حوزه‌ی یادگیری کمی در جریان داده با کمک تغییر مفهوم و با استفاده از درخواست برچسب برای بخش بزرگی از نمونه‌های جدید واردشده و با روش‌های انتخاب نمونه ارائه‌شده است. در این تحقیق ایده این است که برچسب زیرمجموعه کوچک‌تری از نمونه‌های اخیر را درخواست کنیم و مدل رده‌بند را با کمک چند کلاسه‌بند متفاوت به‌صورت افزایشی تشکیل دهیم. آزمایش‌های ما نشان می‌دهد که با وجود کاهش درخواست برچسب از نمونه‌های اخیر و حتی حذف آن، می‌توان دقت مدل را حفظ کرده یا بهبود بخشید.