MOA公司

MOA(大规模在线分析)。MOA是数据流挖掘中最流行的开源框架,有着非常活跃的成长社区(blog)。它包括一组机器学习算法(分类、回归、聚类、离群点检测、概念漂移检测和推荐系统)以及用于评估的工具。与WEKA项目相关,MOA也是用Java编写的,同时可以扩展到更高要求的问题。


zbMATH中的参考文献(参考 36篇文章 36篇,1标准件)

显示第1到第20个结果,共36个。
按年份排序(引用)
  1. 卡诺,阿尔伯托;克劳茨克,巴托斯:卡帕更新的漂移数据流挖掘集成(2020)
  2. Casalicchio,Giuseppe;Bossek,Jakob;Lang,Michel;Kirchhoff,Dominik;Kerschke,Pascal;Hofner,Benjamin;Seibold,Heidi;Vanschoren,Joaquin;Bischl,Bernd:\ texttopenml:an\texttrpackage连接到机器学习平台openml(2019)
  3. Victor Propalines,2019年《概率论》中的《概率论》;摘自《概率论》
  4. Razmjoo,Alaleh;Anthonopoulos,Petros;Zheng,Qipeng Phil:混合在线环境下分类的特征重要性排序(2019)
  5. Shahparast,Homeira;Mansoori,Eghbal G.:使用演化的1型规则开发在线通用2型模糊分类器(2019年)
  6. Geilke,Michael;Karwath,Andreas;Frank,Eibe;Kramer,Stefan:使用分类器链在线估计离散、连续和条件关节密度(2018年)
  7. Jaworski,Maciej:具有概念漂移的数据流的回归函数和噪声方差跟踪方法(2018)
  8. Jacob Montiel;Jesse Read;Bifet,Albert;Abdessalem,Talel:Scikit multiflow:多输出流框架(2018)
  9. van Rijn,Jan N;Holmes,Geoffrey;Pfahringer,Bernhard;Vanschoren,Joaquin:在线性能评估框架:数据流异构集成学习(2018)
  10. Yang,Rui;Xu,Shuliang;Feng,Lin:数据流分类的集成极值学习机(2018)
  11. Gomes,Heitor M.;Bifet,Albert;Read,Jesse;Barddal,Jean-Paul;Enembreck,Fabricio;Pharinger,Bernhard;Holmes,Geoff;Abdessalem,Talel:用于演化数据流分类的自适应随机森林(2017)
  12. Osojnik,Aljaž;Panov,Panče;Džeroski,Sašo:通过数据流的多目标回归进行多标签分类(2017)
  13. Pietruczuk,Lena;Rutkowski,Leszek;Jaworski,Maciej;Duda,Piotr:如何在流数据挖掘中调整集合大小?(2017年)
  14. Srinivasan,Ashwin;Bain,Michael:关系数据流在线模型的实证研究(2017)
  15. 翟婷婷;高,杨;王浩;曹龙兵:通过资源高效的在线集成对高维演化数据流进行分类(2017)
  16. Song,Ge;Ye,Yunming;Zhang,Haijun;Xu,Xiaofei;Lau,Raymond Y.K.;Liu,Feng:动态聚类森林:基于概念漂移有效分类文本数据流的集成框架(2016)
  17. 韦伯,杰弗里一世;海德,罗伊;曹,洪;阮海龙;佩蒂特让,弗朗索瓦:描述概念漂移(2016)
  18. Brzezinski,Dariusz;Piernik,Maciej:概念漂移数据流中的结构化XML分类(2015)ioport公司
  19. 阿尔伯特·林格夫(Albert Ringer)和《数据流的时间依赖性评估》;杰斯林格(Jesse Ringer)等人,2015年《数据流的分类》;杰斯林格(Jesson)等人,2015年
  20. Amini,Amineh;Wah,Teh Ying;Saboohi,Hadi:基于密度的数据流聚类算法:调查(2014)ioport公司

更多出版物请访问:http://moa.cms.waikato.ac.nz/publications/