Gráficos De Media Móvil Ponderados Exponencialmente Para Detectar La Deriva Del Concepto

Gráficos de media móvil con ponderación exponencial para detectar la deriva del concepto Gordon J. Ross. . Niall M. Adams Dimitris K. Tasoulis David J. Mano Departamento de Matemáticas, Imperial College, Londres SW7 2AZ, Reino Unido Recibido el 13 de abril de 2010. Disponible en línea el 17 de septiembre de 2011. Comunicado por R. C. Guido Resumen Clasificar los datos de transmisión requiere el desarrollo de métodos que son computacionalmente eficientes y capaces de hacer frente a los cambios en la distribución subyacente de la corriente, fenómeno conocido en la literatura como deriva de conceptos. Proponemos un nuevo método para la detección de la deriva de concepto que utiliza un promedio exponencialmente ponderado de media móvil (EWMA) para supervisar la tasa de clasificación errónea de un clasificador de flujo. Nuestro enfoque es modular y por lo tanto puede ejecutarse en paralelo con cualquier clasificador subyacente para proporcionar una capa adicional de detección de deriva de concepto. Además, nuestro método es eficiente desde el punto de vista computacional con la sobrecarga O (1) y funciona de manera completamente online sin necesidad de almacenar puntos de datos en la memoria. A diferencia de muchos enfoques existentes para la detección de deriva de concepto, nuestro método permite que la tasa de falsos positivos detecciones para ser controlado y mantenido constante en el tiempo. Aspectos destacados Presentamos un algoritmo de detección de deriva de un solo paso y computacionalmente eficiente. Adecuado para despliegue en flujos de datos de alta frecuencia. Permite controlar la tasa de detecciones de falsos positivos, a diferencia de los métodos existentes. Los experimentos sobre datos reales y sintéticos muestran resultados alentadores. Palabras clave Clasificación en flujo continuo Desviación del concepto Detección del cambio Gráficos de media móvil ponderados exponencialmente para detectar la deriva de conceptos La clasificación de los datos de transmisión requiere el desarrollo de métodos que sean computacionalmente eficientes y capaces Para hacer frente a los cambios en la distribución subyacente de la corriente, un fenómeno conocido en la literatura como deriva de concepto. Proponemos un nuevo método para la detección de la deriva de concepto que utiliza un gráfico Exponentially Weighted Moving Average (EWMA) para supervisar la tasa de clasificación errónea de un clasificador de transmisión. Nuestro enfoque es modular y por lo tanto puede ejecutarse en paralelo con cualquier clasificador subyacente para proporcionar una capa adicional de detección de deriva de concepto. Además, nuestro método es eficiente desde el punto de vista computacional con la sobrecarga O (1) y funciona de manera completamente online sin necesidad de almacenar puntos de datos en la memoria. A diferencia de muchos enfoques existentes para la detección de deriva de concepto, nuestro método permite que la tasa de detecciones de falsos positivos para ser controlado y mantenido constante en el tiempo Temas: Estadísticas - Aprendizaje Automático, Informática - Aprendizaje, Estadísticas - Aplicaciones DOI identificador: 10.1016 / j. patrec. 2011.08.019 OAI identificador: oai: arXiv. org: 1212.6018arXiv. org gt stat gt arXiv: 1212.6018 Estadísticas Máquina de aprendizaje Título: Exponentially Weighted Media Gráficos de movimiento para la detección de Drift Concept (Presentado el 25 de diciembre de 2012) Resumen: Desarrollo de métodos que son computacionalmente eficientes y capaces de hacer frente a los cambios en la distribución subyacente de la corriente, fenómeno conocido en la literatura como deriva de conceptos. Proponemos un nuevo método para la detección de la deriva de concepto que utiliza un gráfico Exponentially Weighted Moving Average (EWMA) para supervisar la tasa de clasificación errónea de un clasificador de transmisión. Nuestro enfoque es modular y por lo tanto puede ejecutarse en paralelo con cualquier clasificador subyacente para proporcionar una capa adicional de detección de deriva de concepto. Además, nuestro método es eficiente desde el punto de vista computacional con la sobrecarga O (1) y funciona de manera completamente online sin necesidad de almacenar puntos de datos en la memoria. A diferencia de muchos enfoques existentes para la detección de deriva de concepto, nuestro método permite que la tasa de falsos positivos detecciones para ser controlado y mantenido constante en el tiempo. Aprendizaje Automático (stat. ML) Aprendizaje (cs. LG) Aplicaciones (stat. AP)