مقاله طبقه بندی گروه وزنی جریان های داده ای چندگانه (2017 اشپرینگر)

1. مقدمه

2. موارد مرتبط

3. اقدامات

3-1. {ML-KNN {31

4. طبقه بندی گروه های وزنی

4-1. ایده ی اصلی

4-2. آموزش و به روز رسانی طبقه بندی کننده

4-3. وزن دار کردن گروهی

4-4. الگوریتم طبقه بندی

5. آزمایشات

الف. کیفیت طبقه بندی در مقایسه با ML – KNN

ب) کیفیت طبقه بندی در مقایسه با {SMART {14

6. نتیجه گیری

Many real world applications involve classification of multilabel data streams. However, most existing classification models mostly focused on classifying single-label data streams. Learning in multi-label data stream scenarios is more challenging, as the classification systems should be able to consider several properties, such as large data volumes, label correlations and concept drifts. In this paper, we propose an efficient and effective ensemble model for multi-label stream classification based on ML-KNN (Multi-Label KNN) [31] and propose a balance AdjustWeight function to combine the predictions which can efficiently process high-speed multi-label stream data with concept drifts. The empirical results indicate that our approach achieves a high accuracy and low storage cost, and outperforms the existing methods ML-KNN and SMART [14].

بسیاری از برنامه های کاربردی دنیای واقعی شامل طبقه بندی جریان های داده ای چندگانه می شود. با این حال، اکثر مدل های طبقه بندی شده ی موجود، بیشتر به دسته بندی جریان های داده ای تک گانه متمرکز شدند. یادگیری در سناریوهای جریان چندگانه، چالش برانگیزتر است، زیرا سیستم های طبقه بندی باید قادر به در نظر گرفتن چندین ویژگی، مانند حجم داده های بزرگ، همبستگی های مطلب و تغییرات مفهومی باشند. در این مقاله، ما یک مدل مؤثر و کارآمد برای طبقه بندی جریان چند گانه مبتنی بر ML-KNN (Multi-Label KNN) پیشنهاد می کنیم [31] و یک تابع تعادل AdjustWeight را برای ترکیب پیش بینی هایی که می تواند به صورت کارآمد داده ی جریانی چندگانه ی پرسرعت را با تغییرات مفهومی پردازش کند، معرفی می کنیم. نتایج تجربی نشان می دهد که رویکرد ما دقتی بالا و هزینه ی ذخیره سازی پایینی را به همراه دارد، و از روش های موجود ML-KNN و SMART برتر است [14].