杜哈,梅吉里;Riadh Khanchel;穆罕默德·利马 非平稳环境下概念漂移的集成方法。 (英语) Zbl 1431.62265号 J.统计计算。模拟 83,第6期,1115-1128(2013). 摘要:大多数统计和数据挖掘算法都假设数据来自平稳分布。然而,在许多实际的分类任务中,数据会随着时间的推移而到达,并且要从数据流中学习的目标概念可能会相应地发生变化。已经提出了许多用于学习漂移概念的算法。为了解决产生数据的分布随时间变化时的学习问题,提出了动态加权多数作为概念漂移的集成方法。不幸的是,这种技术既不考虑集合中分类器的年龄,也不考虑它们过去的正确分类。在本文中,我们提出了一种考虑专家年龄及其对全局算法准确性的贡献的方法。我们通过使用(m)分类器和训练数据的(n)折叠划分集合来评估我们提出的方法的有效性。在基准数据集上的实验结果表明,我们的方法优于现有方法。 引用于1文件 MSC公司: 62H30型 分类和区分;聚类分析(统计方面) 68T05型 人工智能中的学习和自适应系统 关键词:概念漂移;集合方法;数据流 软件:UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{D.Mejri}等人,《统计计算杂志》。模拟83,No.6,1115--1128(2013;Zbl 1431.62265) 全文: 内政部 参考文献: [1] 内政部:10.1007/s10994-009-5141-7·Zbl 1470.68178号 ·doi:10.1007/s10994-009-5141-7 [2] 内政部:10.1007/s10994-009-5122-x·Zbl 1475.62232号 ·doi:10.1007/s10994-009-5122-x [3] 内政部:10.1145/502512.502529·doi:10.1145/502512.502529 [4] Kolter Z.J.、J.马赫。学习。第8号决议第2755页–(2007年) [5] 高J.,第七届SIAM数据挖掘国际会议论文集(SDM'07),第3页–(2007)·doi:10.1137/1.9781611972771.1 [6] Karnick,M.T.、Muhlbaier,M.和Polikar,R.使用基于多分类器的方法在概念漂移的非静态环境中进行增量学习。第19届模式识别国际会议。佛罗里达州坦帕,第1-4页。电气与电子工程师协会。 [7] 内政部:10.1109/MCAS.2006.1688199·doi:10.1109/MCAS.2006.1688199 [8] DOI:10.1023/A:1007335615132·兹伯利05469151 ·doi:10.1023/A:1007335615132 [9] 内政部:10.1145/176789.176798·数字对象标识代码:10.1145/176789.176798 [10] Breiman L.,马赫。学习24页123–(1996) [11] DOI:10.1006/inco.1994.1009·Zbl 0804.68121号 ·doi:10.1006/inco.1994.1009 [12] Asuncion,A.和Newman,D.J.,2007年。”UCI机器学习库。网站”。加州大学欧文分校信息与计算机科学系。http://www.ics.uci.edu/mlearn/MLRepository.html [13] Breiman,L.、Friedman,J.、Olshen,R.和Stone,C.1984年。”分类和回归树”。加利福尼亚州贝尔蒙特:华兹华斯·Zbl 0541.62042号 [14] DOI:10.1023/A:1010933404324·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324 [15] 内政部:10.1080/00949650410001729472·Zbl 1075.62051号 ·doi:10.1080/0949650410001729472 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。