[{"@context":"http:\/\/schema.org\/","@type":"BlogPosting","@id":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/pojeciowy-dryf-wikipedia\/#BlogPosting","mainEntityOfPage":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/pojeciowy-dryf-wikipedia\/","headline":"Poj\u0119ciowy dryf – Wikipedia","name":"Poj\u0119ciowy dryf – Wikipedia","description":"before-content-x4 Artyku\u0142 w Wikipedii, Free L’Encyclop\u00e9i. after-content-x4 M\u00f3wimy o analizie predykcyjnej i automatycznym uczeniu si\u0119 Poj\u0119ciowy dryf Gdy w\u0142a\u015bciwo\u015bci statystyczne","datePublished":"2023-05-19","dateModified":"2023-05-19","author":{"@type":"Person","@id":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/author\/lordneo\/#Person","name":"lordneo","url":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/author\/lordneo\/","image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Enzyklop\u00e4die","logo":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":600,"height":60}},"image":{"@type":"ImageObject","@id":"https:\/\/wikimedia.org\/api\/rest_v1\/media\/math\/render\/svg\/442a4899860ff064c97b17e040e7d5439b5f6fb2","url":"https:\/\/wikimedia.org\/api\/rest_v1\/media\/math\/render\/svg\/442a4899860ff064c97b17e040e7d5439b5f6fb2","height":"","width":""},"url":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/pojeciowy-dryf-wikipedia\/","wordCount":2469,"articleBody":"     (adsbygoogle = window.adsbygoogle || []).push({});before-content-x4Artyku\u0142 w Wikipedii, Free L’Encyclop\u00e9i.        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4M\u00f3wimy o analizie predykcyjnej i automatycznym uczeniu si\u0119 Poj\u0119ciowy dryf Gdy w\u0142a\u015bciwo\u015bci statystyczne zmiennej docelowej, model pr\u00f3buje przewidzie\u0107, ewoluuje w czasie w nieprzewidziany spos\u00f3b [[[ Pierwszy ] . Pokazuje to problemy, poniewa\u017c prognozy staj\u0105 si\u0119 mniej dok\u0142adne w miar\u0119 up\u0142ywu czasu. Poj\u0119cie Poj\u0119cie Odnosi si\u0119 do miary, kt\u00f3r\u0105 chcemy przewidzie\u0107. M\u00f3wi\u0105c bardziej og\u00f3lnie, mo\u017ce odnosi\u0107 si\u0119 do innych interesuj\u0105cych zjawisk opr\u00f3cz poj\u0119\u0107 docelowych, takich jak wpisy. Drift koncepcyjny jest jednym z ogranicze\u0144 w wyszukiwaniu przep\u0142yw\u00f3w danych.          (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4Mihai M. Lazarescu [[[ 2 ] Definiuje dryf koncepcyjny pod wzgl\u0119dem sp\u00f3jno\u015bci i wytrwa\u0142o\u015bci. Definicja 1 : albo th t{DisplayStyle theta _ {t}} Koncepcja w tej chwili t = 0,1, … n i by\u0107 \u03f5 t= th t– th t\u22121{DisplayStyle epsilon _ {t} = theta _ {t} -theta _ {t-1}} Zmiana koncepcji mi\u0119dzy momentami T-1 i T. Koncepcja jest sp\u00f3jna, je\u015bli \u03f5 t\u2264 \u03f5 c{DisplayStyle epsilon _ {t} leq epsilon _ {c}} Lub        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4\u03f5 c{DisplayStyle epsilon _ {c}} jest predefiniowanym progiem sp\u00f3jno\u015bci. Definicja 2 : albo X {DisplayStyle Mathrm {x}} Rozmiar czasowego okna zawieraj\u0105cego obserwacje. Koncepcja jest trwa\u0142a, je\u015bli \u03f5 t\u2212pW \u03f5 t\u2212p+1W . . . W \u03f5 t\u2264 \u03f5 c{DisplayStyle epsilon _ {t-p}, epsilon _ {t-p + 1}, …, epsilon _ {t} leq epsilon _ {c}} I P \u2265 X2{DisplayStyle pGeq {frac {Mathrm {x}} {2}}} gdzie p jest trwa\u0142o\u015bci\u0105 zmian, to znaczy liczba kolejnych obserwacji, podczas kt\u00f3rych zmiana jest sp\u00f3jna. Definicja 3 : Dryf jest trwa\u0142y, je\u015bli jest zar\u00f3wno trwa\u0142y, jak i sp\u00f3jny. Dryf jest wirtualny [[[ 3 ] Je\u015bli jest to sp\u00f3jne, ale nie trwa\u0142e. Dryf jest uwa\u017cany za ha\u0142as, je\u015bli nie jest ani sp\u00f3jny, ani trwa\u0142y. Bior\u0105c pod uwag\u0119 koncepcyjny dryf w wykopaniu przep\u0142yw\u00f3w danych, odbywa si\u0119 niejawnie lub jawnie [[[ 4 ] . Table of ContentsDomniemany [[[ modyfikator |. Modyfikator i kod ] Wyra\u017any [[[ modyfikator |. Modyfikator i kod ] Linki wewn\u0119trzne [[[ modyfikator |. Modyfikator i kod ] Linki zewn\u0119trzne [[[ modyfikator |. Modyfikator i kod ] Notatki [[[ modyfikator |. Modyfikator i kod ] Bibliografia [[[ modyfikator |. Modyfikator i kod ] Bibliografia [[[ modyfikator |. Modyfikator i kod ] Domniemany [[[ modyfikator |. Modyfikator i kod ] Bior\u0105c pod uwag\u0119 domniemany odbywa si\u0119 poprzez przechowywanie informacji. Je\u015bli statystyki dotycz\u0105ce obserwacji s\u0105 w pe\u0142ni przechowywane, s\u0105 one wa\u017cone ich sta\u017cu pracy w pami\u0119ci. Im s\u0105 starsi i im mniej wa\u017cne. Zmniejszenie masy obserwacji starszych jest liniowo lub w spos\u00f3b wyk\u0142adniczy. Je\u015bli statystyki przechowywane w pami\u0119ci s\u0105 statystykami najnowszych obserwacji, s\u0105 one u\u017cywane z ustalonymi lub adaptacyjnymi oknami czasowymi. W tych dw\u00f3ch przypadkach rozwa\u017cenie dryfu koncepcyjnego odbywa si\u0119 przez Oblivion, bierzemy tylko pod uwag\u0119 najnowsze obserwacje i zapominamy najstarszych.Algorytmy oparte na wielu klasyfikatorach (metod kszta\u0142tu), takich jak DWM [[[ 5 ] W ‘ Przypisywanie ci\u0119\u017caru opartego na podno\u015bniku \u00bb I ‘ Adaptacyjne klasyfikatory dla zmieniaj\u0105cych si\u0119 \u015brodowisk (ACE) \u00bb [[[ 6 ] u\u017cyj tego podej\u015bcia. Wyra\u017any [[[ modyfikator |. Modyfikator i kod ] Bior\u0105c pod uwag\u0119 wyra\u017any jest przeprowadzany metodami wykrywania. Niekt\u00f3re wykorzystuj\u0105 wska\u017aniki, takie jak dok\u0142adno\u015b\u0107, przywo\u0142anie i precyzja do wykrywania zmian koncepcji. Algorytmy znajduj\u0105 si\u0119 w tej kategorii, takiej jak flora i flora2. Inni u\u017cywaj\u0105 dw\u00f3ch czasowych okien, jedno jako odniesienie, a drugie zawieraj\u0105ce najnowsze obserwacje [[[ 7 ] . VFDT Joao Gama u\u017cywa tej techniki. Linki wewn\u0119trzne [[[ modyfikator |. Modyfikator i kod ] Linki zewn\u0119trzne [[[ modyfikator |. Modyfikator i kod ] Notatki [[[ modyfikator |. Modyfikator i kod ] Bibliografia [[[ modyfikator |. Modyfikator i kod ] \u2191 Alexey Tsymbal, Problem dryfu koncepcji: definicje i powi\u0105zana praca  \u2191 Mihai M. Lazarescu, Svetha Venkatesh, Hung H. Bui, Korzystanie z wielu okien do \u015bledzenia dryfu koncepcji  \u2191 Peter Vorburger, Abraham Bernstein, Wykrywanie rzeczywistych i wirtualnych zmian koncepcji opartych na entropii  \u2191 Joao Gama, Kowledge Discovery z strumienia danych , CRC Press, 2010, strona 37-38  \u2191 J. Zico Kolter, Marcus A. Maloof, Dynamiczna wa\u017cona wi\u0119kszo\u015b\u0107: Zestaw metody dryfowania poj\u0119\u0107  \u2191 Kyosuke Nishida, Koichiro Yamauchi, Takashi Omori ACE: Adaptive Classembiers-ensemble System dla \u015brodowisk koncepcyjnych  \u2191 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 op\u00f3\u017anionymi informacjami nadzorowanymi. W 2015 r. Mi\u0119dzynarodowa wsp\u00f3lna konferencja na temat sieci neuronowych (IJCNN) (s. 1-8). IEEE. PDF Kolter, J.Z. i Maloof, M.A. Dynamic Wailed Wi\u0119kszo\u015b\u0107: Zestaw metody dryfowania poj\u0119\u0107. Journal of Machine Learning Research 8: 2755–2790, 2007. PDF Scholz, Martin i Klinkenberg, Ralf: Zwi\u0119kszenie klasyfikator\u00f3w do dryfowania poj\u0119\u0107 . W inteligentnej analizie danych (IDA), wydanie specjalnego dotycz\u0105ce odkrywania wiedzy z strumieni danych, t. 11, nr 1, strony 3-28, marzec 2007. Maloof M.A. i Michalski R.S. Wybieranie przyk\u0142ad\u00f3w do cz\u0119\u015bciowego uczenia si\u0119 pami\u0119ci. Uczenie maszynowe, 41 (11), 2000, s. 27\u201352. Mitchell T., Caruana R., Freitag D., McDermott, J. i Zabowski D. Do\u015bwiadczenie z osobistym asystentem ucz\u0105cym si\u0119. Komunikacja ACM 37 (7), 1994, s. 81\u201391. 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 u\u017cyciu klasyfikator\u00f3w zespo\u0142\u00f3w. KDD 2003. Widmer G. i Kubat M. Uczenie si\u0119 w obecno\u015bci koncepcji dryfu i ukrytych kontekst\u00f3w. Machine Learning 23, 1996, s. 69\u2013101.        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4"},{"@context":"http:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"item":{"@id":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/#breadcrumbitem","name":"Enzyklop\u00e4die"}},{"@type":"ListItem","position":2,"item":{"@id":"https:\/\/wiki.edu.vn\/all2pl\/wiki27\/pojeciowy-dryf-wikipedia\/#breadcrumbitem","name":"Poj\u0119ciowy dryf – Wikipedia"}}]}]