Exponentially weighted moving average gráficos para detectar conceito deriva

Gráficos de média móvel ponderados exponencialmente para a detecção de deriva de conceitos. Classificar dados de transmissão em fluxo contínuo requer o desenvolvimento de métodos que são computacionalmente eficientes e capazes de lidar com mudanças na distribuição subjacente da corrente, fenômeno conhecido na literatura como deriva de conceitos. Para a detecção de deriva conceito que utiliza uma exponencialmente ponderada média móvel EWMA gráfico para monitorar a taxa de classificação errada de um classificador de fluxo Nossa abordagem é modular e pode, portanto, ser executado em paralelo com qualquer subjacente classificador para fornecer uma camada adicional de detecção de deriva conceito Além disso nosso método é Computacionalmente eficiente com sobrecarga O 1 e funciona de uma maneira totalmente online sem necessidade de armazenar pontos de dados na memória Ao contrário de muitas abordagens existentes para a detecção de deriva de conceito, nosso método permite que a taxa de detecções falsas positivas seja controlada e mantida constante ao longo do tempo. Apresentamos um algoritmo de detecção de derivação de conceito de passagem única e computacionalmente eficiente Adequado para implantação em fluxos de dados de alta freqüência Permite que a taxa de detecções falsas positivas seja controlada, ao contrário dos métodos existentes Experiências em dados reais e sintéticos mostram resultados encorajadores..Alterar a detecção. Stat arXiv 1212 6018.Statistics Machine Learning. Title Gráficos Média Móvel Ponderados Exponencialmente para Detecção de Deriva de Conceitos. Apresentado em 25 de dezembro de 2017. Resumo A classificação de dados em fluxo contínuo requer o desenvolvimento de métodos que sejam computacionalmente eficientes e capazes de lidar com mudanças na distribuição subjacente do fluxo, fenômeno conhecido na literatura como deriva de conceitos. Drift que usa um gráfico EWMA Exponentially Weighted Moving Average para monitorar a taxa de misclassification de um classificador de fluxo Nossa abordagem é modular e pode, portanto, ser executado em paralelo com qualquer classificador subjacente para fornecer uma camada adicional de detecção de drift conceito Além disso nosso método é computacionalmente eficiente com Overhead O 1 e funciona de uma forma totalmente on-line sem necessidade de armazenar pontos de dados na memória Ao contrário de muitas abordagens existentes para detecção de deriva de conceito, nosso método permite que a taxa de falsas detecções positivas a ser controlado e mantido constante ao longo do tempo. Gráficos Média Móvel Ponderados Exponencialmente para Detectar Conce A classificação de dados em fluxo contínuo requer o desenvolvimento de métodos que são computacionalmente eficientes e capazes de lidar com as mudanças na distribuição subjacente do fluxo, um fenômeno conhecido em Fluxo de dados. A literatura como deriva conceitual Nós propomos um novo método para a detecção de deriva conceito que usa um gráfico EWMA Exponentially Weighted Moving Average para monitorar a taxa de misclassification de um classificador de fluxo Nossa abordagem é modular e pode, portanto, ser executado em paralelo com qualquer subjacente classificador para fornecer um Camada adicional de detecção de deriva de conceito Além disso nosso método é computacionalmente eficiente com sobrecarga O 1 e funciona de uma maneira totalmente on-line sem necessidade de armazenar pontos de dados na memória Ao contrário de muitas abordagens existentes para detecção de deriva conceito, nosso método permite a taxa de falsos positivos detecções A ser controlado e mantido constante ao longo do tempo. Estatísticas Toópicas - Aprendizagem Automática, Informática - Le Arning, Statistics - Applications. DOI identificador. OAI identificador.