Demo Ponderada Exponencialmente Média Gráficos Para Detecção Conceito Deriva

Gráficos de média móvel ponderada exponencialmente para detectar drift de conceito A classificação de dados de transmissão requer o desenvolvimento de métodos que são computacionalmente eficientes e capazes de lidar com mudanças na distribuição subjacente do fluxo, um fenômeno conhecido na literatura como derivação de conceito. Nós propomos um novo método para detectar a derivação de conceito que usa um gráfico de média móvel ponderada exponencialmente (EWMA) para monitorar a taxa de classificação errada de um classificador de transmissão. Nossa abordagem é modular e, portanto, pode ser executada em paralelo com qualquer classificador subjacente para fornecer uma camada adicional de detecção de drift conceito. Além disso, nosso método é computacionalmente eficiente com a sobrecarga O (1) e funciona de forma totalmente on-line, sem necessidade de armazenar pontos de dados na memória. Ao contrário de muitas abordagens existentes para a detecção de drift conceito, nosso método permite que a taxa de detecções falso-positivas seja controlada e mantida constante ao longo do tempo. Destaques Apresentamos uma única passagem e algoritmo de detecção de deriva de conceito computacionalmente eficiente. Adequado para implantação em fluxos de dados de alta freqüência. Permite que a taxa de detecção de falso positivo seja controlada, ao contrário dos métodos existentes. Experimentos em dados reais e sintéticos mostram resultados encorajadores. Classificação de classificação de fluxo Drift de mudança Alterar detectionarXiv. org gt stat gt arXiv: 1212.6018 Statistics Machine Learning Título: Gráficos de média móvel ponderada exponencialmente para detecção de Concept Drift (Enviado em 25 de dezembro de 2012) Resumo: A classificação de dados de transmissão requer o desenvolvimento de métodos computacionalmente eficientes e Capaz de lidar com mudanças na distribuição subjacente do fluxo, um fenômeno conhecido na literatura como deriva de conceito. Propomos um novo método para detectar a derivação de conceito que usa um gráfico de média móvel ponderada exponencial (EWMA) para monitorar a taxa de classificação errada de um classificador de transmissão. Nossa abordagem é modular e, portanto, pode ser executada em paralelo com qualquer classificador subjacente para fornecer uma camada adicional de detecção de drift conceito. Além disso, nosso método é computacionalmente eficiente com a sobrecarga O (1) e funciona de forma totalmente on-line, sem necessidade de armazenar pontos de dados na memória. Ao contrário de muitas abordagens existentes para a detecção de drift conceito, nosso método permite que a taxa de detecções falso-positivas seja controlada e mantida constante ao longo do tempo. Aplicações de aprendizagem de máquina (stat. ML) (cs. LG) (stat. AP)