view in publisher's site

Incremental Learning of Concept Drift in Nonstationary Environments

We introduce an ensemble of classifiers-based approach for incremental learning of concept drift, characterized by nonstationary environments (NSEs), where the underlying data distributions change over time. The proposed algorithm, named Learn++.NSE, learns from consecutive batches of data without making any assumptions on the nature or rate of drift; it can learn from such environments that experience constant or variable rate of drift, addition or deletion of concept classes, as well as cyclical drift. The algorithm learns incrementally, as other members of the Learn++ family of algorithms, that is, without requiring access to previously seen data. Learn++.NSE trains one new classifier for each batch of data it receives, and combines these classifiers using a dynamically weighted majority voting. The novelty of the approach is in determining the voting weights, based on each classifier's time-adjusted accuracy on current and past environments. This approach allows the algorithm to recognize, and act accordingly, to the changes in underlying data distributions, as well as to a possible reoccurrence of an earlier distribution. We evaluate the algorithm on several synthetic datasets designed to simulate a variety of nonstationary environments, as well as a real-world weather prediction dataset. Comparisons with several other approaches are also included. Results indicate that Learn++.NSE can track the changing environments very closely, regardless of the type of concept drift. To allow future use, comparison and benchmarking by interested researchers, we also release our data used in this paper.

یادگیری فزاینده ریشه مفهوم در محیط‌های غیر ثابت

ما مجموعه‌ای از رویکرد مبتنی بر دسته‌بندی کننده‌ها را برای یادگیری افزایشی رانش مفهوم معرفی می‌کنیم که با محیط‌های غیرثابت (NSE ها)مشخص می‌شود، که در آن توزیع‌های اساسی داده‌ها در طول زمان تغییر می‌کنند. الگوریتم پیشنهادی، به نام فرمان ساج + + ساف کننده / ساف کننده یاد گرفته می‌شود. NSE، از دسته‌های متوالی داده‌ها بدون ایجاد هیچ گونه فرضی در مورد ماهیت یا نرخ جابجایی، یاد می‌گیرد؛ می‌تواند از چنین محیط‌هایی که نرخ جابجایی ثابت یا متغیر، اضافه یا حذف کلاس‌های مفهومی و همچنین جابجایی چرخه‌ای را تجربه می‌کنند، یاد بگیرد. الگوریتم به صورت افزایشی یاد می‌گیرد، همانطور که اعضای دیگر خانواده الگوریتم های یادگیری ساج + + ساج / ساپ را بدون نیاز به دسترسی به داده‌های قبلا دیده، یاد می‌گیرند. یاد بگیرید که مکمل آویشن + + مکمل آویشن + مکمل / مکمل. NSE یک طبقه‌بندی کننده جدید را برای هر دسته از داده‌هایی که دریافت می‌کند آموزش می‌دهد و این طبقه‌بندی کننده‌ها را با استفاده از یک رای‌گیری با اکثریت وزن‌دار پویا ترکیب می‌کند. نوآوری این روش در تعیین اوزان رای‌دهی براساس دقت تنظیم زمانی هر طبقه‌بندی در محیط‌های فعلی و گذشته است. این روش به الگوریتم اجازه می‌دهد تا تغییرات در توزیع داده‌های اساسی را تشخیص دهد و براساس آن عمل کند و همچنین احتمال وقوع مجدد یک توزیع قبلی را نیز فراهم می‌کند. ما الگوریتم را بر روی چندین مجموعه داده مصنوعی طراحی شده‌برای شبیه‌سازی انواع محیط‌های غیر ثابت و همچنین یک مجموعه داده پیش‌بینی آب و هوای جهان واقعی ارزیابی می‌کنیم. مقایسه با چندین روش دیگر نیز در نظر گرفته شده‌است. نتایج حاکی از آن است که گروه کنترل + + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه کنترل + گروه NSE می‌تواند محیط‌های در حال تغییر را بدون توجه به نوع انحراف مفهومی بسیار نزدیک دنبال کند. برای اجازه استفاده در آینده، مقایسه و محک‌زنی توسط محققان علاقه‌مند، ما همچنین داده‌های استفاده‌شده در این مقاله را منتشر می‌کنیم.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.