×

非平稳环境下概念漂移的集成方法。 (英语) Zbl 1431.62265号

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。

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

软件:

UCI-毫升
PDF格式BibTeX公司 XML格式引用
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。