Pojęciowy dryf – Wikipedia

Posted on by
before-content-x4

Artykuł w Wikipedii, Free L’Encyclopéi.

after-content-x4

Mówimy o analizie predykcyjnej i automatycznym uczeniu się Pojęciowy dryf Gdy właściwości statystyczne zmiennej docelowej, model próbuje przewidzieć, ewoluuje w czasie w nieprzewidziany sposób [[[ Pierwszy ] . Pokazuje to problemy, ponieważ prognozy stają się mniej dokładne w miarę upływu czasu. Pojęcie Pojęcie Odnosi się do miary, którą chcemy przewidzieć. Mówiąc bardziej ogólnie, może odnosić się do innych interesujących zjawisk oprócz pojęć docelowych, takich jak wpisy. Drift koncepcyjny jest jednym z ograniczeń w wyszukiwaniu przepływów danych.

Mihai M. Lazarescu [[[ 2 ] Definiuje dryf koncepcyjny pod względem spójności i wytrwałości.
Definicja 1 : albo

th t{DisplayStyle theta _ {t}}

Koncepcja w tej chwili t = 0,1, … n i być

ϵ t= th t– th t−1{DisplayStyle epsilon _ {t} = theta _ {t} -theta _ {t-1}}

Zmiana koncepcji między momentami T-1 i T. Koncepcja jest spójna, jeśli

ϵ t≤ ϵ c{DisplayStyle epsilon _ {t} leq epsilon _ {c}}

Lub

after-content-x4
ϵ c{DisplayStyle epsilon _ {c}}

jest predefiniowanym progiem spójności.
Definicja 2 : albo

X {DisplayStyle Mathrm {x}}

Rozmiar czasowego okna zawierającego obserwacje. Koncepcja jest trwała, jeśli

ϵ t−pW ϵ t−p+1W . . . W ϵ t≤ ϵ c{DisplayStyle epsilon _ {t-p}, epsilon _ {t-p + 1}, …, epsilon _ {t} leq epsilon _ {c}}

I

P ≥ X2{DisplayStyle pGeq {frac {Mathrm {x}} {2}}}

gdzie p jest trwałością zmian, to znaczy liczba kolejnych obserwacji, podczas których zmiana jest spójna.
Definicja 3 : Dryf jest trwały, jeśli jest zarówno trwały, jak i spójny. Dryf jest wirtualny [[[ 3 ] Jeśli jest to spójne, ale nie trwałe. Dryf jest uważany za hałas, jeśli nie jest ani spójny, ani trwały.

Biorąc pod uwagę koncepcyjny dryf w wykopaniu przepływów danych, odbywa się niejawnie lub jawnie [[[ 4 ] .

Domniemany [[[ modyfikator |. Modyfikator i kod ]

Biorąc pod uwagę domniemany odbywa się poprzez przechowywanie informacji.

  • Jeśli statystyki dotyczące obserwacji są w pełni przechowywane, są one ważone ich stażu pracy w pamięci. Im są starsi i im mniej ważne. Zmniejszenie masy obserwacji starszych jest liniowo lub w sposób wykładniczy.
  • Jeśli statystyki przechowywane w pamięci są statystykami najnowszych obserwacji, są one używane z ustalonymi lub adaptacyjnymi oknami czasowymi.

W tych dwóch przypadkach rozważenie dryfu koncepcyjnego odbywa się przez Oblivion, bierzemy tylko pod uwagę najnowsze obserwacje i zapominamy najstarszych.
Algorytmy oparte na wielu klasyfikatorach (metod kształtu), takich jak DWM [[[ 5 ] W ‘ Przypisywanie ciężaru opartego na podnośniku » I ‘ Adaptacyjne klasyfikatory dla zmieniających się środowisk (ACE) » [[[ 6 ] użyj tego podejścia.

Wyraźny [[[ modyfikator |. Modyfikator i kod ]

Biorąc pod uwagę wyraźny jest przeprowadzany metodami wykrywania.

  • Niektóre wykorzystują wskaźniki, takie jak dokładność, przywołanie i precyzja do wykrywania zmian koncepcji. Algorytmy znajdują się w tej kategorii, takiej jak flora i flora2.
  • Inni używają dwóch czasowych okien, jedno jako odniesienie, a drugie zawierające najnowsze obserwacje [[[ 7 ] . VFDT Joao Gama używa tej techniki.

Linki wewnętrzne [[[ modyfikator |. Modyfikator i kod ]

Linki zewnętrzne [[[ modyfikator |. Modyfikator i kod ]

Notatki [[[ modyfikator |. Modyfikator i kod ]

Bibliografia [[[ modyfikator |. Modyfikator i kod ]

  1. ↑ Alexey Tsymbal, Problem dryfu koncepcji: definicje i powiązana praca
  2. ↑ Mihai M. Lazarescu, Svetha Venkatesh, Hung H. Bui, Korzystanie z wielu okien do śledzenia dryfu koncepcji
  3. ↑ Peter Vorburger, Abraham Bernstein, Wykrywanie rzeczywistych i wirtualnych zmian koncepcji opartych na entropii
  4. ↑ Joao Gama, Kowledge Discovery z strumienia danych , CRC Press, 2010, strona 37-38
  5. ↑ J. Zico Kolter, Marcus A. Maloof, Dynamiczna ważona większość: Zestaw metody dryfowania pojęć
  6. ↑ Kyosuke Nishida, Koichiro Yamauchi, Takashi Omori ACE: Adaptive Classembiers-ensemble System dla środowisk koncepcyjnych
  7. ↑ Daniel Kifer, Shai Ben-David, Johannes Gehrke, Wykrywanie zmiany strumieni danych

Bibliografia [[[ modyfikator |. Modyfikator i kod ]

  • Dal Pozzolo, A., Boracchi, G., Caelen, O., Alipi, C., i Bontempi, G. (2015). Wykrywanie oszustw i adaptacja po koncepcji z opóźnionymi informacjami nadzorowanymi. W 2015 r. Międzynarodowa wspólna konferencja na temat sieci neuronowych (IJCNN) (s. 1-8). IEEE. PDF
  • Kolter, J.Z. i Maloof, M.A. Dynamic Wailed Większość: Zestaw metody dryfowania pojęć. Journal of Machine Learning Research 8: 2755–2790, 2007. PDF
  • Scholz, Martin i Klinkenberg, Ralf: Zwiększenie klasyfikatorów do dryfowania pojęć . W inteligentnej analizie danych (IDA), wydanie specjalnego dotyczące odkrywania wiedzy z strumieni danych, t. 11, nr 1, strony 3-28, marzec 2007.
  • Maloof M.A. i Michalski R.S. Wybieranie przykładów do częściowego uczenia się pamięci. Uczenie maszynowe, 41 (11), 2000, s. 27–52.
  • Mitchell T., Caruana R., Freitag D., McDermott, J. i Zabowski D. Doświadczenie z osobistym asystentem uczącym się. Komunikacja ACM 37 (7), 1994, s. 81–91.
  • Schlimmer J., Granger R. Beyond Incremental Processing: Tracking Concept Drift. AAAI 1986.
  • Wang H., Fan W., Yu Ph. S. i Han J. Mining Concepting Concepting Data Streams przy użyciu klasyfikatorów zespołów. KDD 2003.
  • Widmer G. i Kubat M. Uczenie się w obecności koncepcji dryfu i ukrytych kontekstów. Machine Learning 23, 1996, s. 69–101.

after-content-x4