کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946157 1439272 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Dynamic feature scaling for online learning of binary classifiers
ترجمه فارسی عنوان
مقیاس ویژگی پویا برای یادگیری آنلاین از طبقه بندی های دودویی
کلمات کلیدی
مقیاس ویژگی، یادگیری آنلاین، طبقه بندی،
ترجمه چکیده
مقادیر ویژگی های مقیاس گام مهمی در وظایف یادگیری ماشین های متعدد است. ویژگی های مختلف می توانند محدوده های مختلفی داشته باشند و بعضی از انواع مقیاس ویژگی اغلب لازم است تا یک طبقه بندی دقیق یاد بگیرند. با این حال، مقیاس ویژگی به عنوان یک پیش پردازش قبل از یادگیری انجام می شود. این به دلیل دو دلیل مشکل در تنظیمات آنلاین است. اولا ممکن است دقیقا تعیین کننده محدوده ارزش یک ویژگی در مراحل اولیه یادگیری، زمانی که فقط تعداد انگشت شماری از نمونه های آموزشی را مشاهده کردیم. دوم، توزیع داده ها می تواند در طول زمان تغییر کند، که منجر به پوسته شدن ویژگی هایی که در مرحله قبل از پردازش انجام می شود، منسوخ می شود. ما پیشنهاد ساده، اما یک روش موثر برای به طور پویا در مقیاس ویژگی در زمان قطار، در نتیجه به سرعت با هر گونه تغییر در جریان داده ها سازگار است. ما مقیاس پوینت پویای پیشنهاد شده را در مقایسه با روش های پیچیده تر برای برآورد پارامترهای پوسته پوسته شدن با استفاده از چندین مجموعه داده های معیار برای طبقه بندی مقایسه می کنیم. روش پوسته پوسته شدن پیشنهاد ما به طور مداوم از روش های پیچیده تر در تمام مجموعه داده های معیار بهتر عمل می کند و دقت طبقه بندی الگوریتم طبقه بندی آنلاین را از لحاظ پیشرفته تر بهبود می بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مقیاس ویژگی پویا برای یادگیری آنلاین از طبقه بندی های دودویی
چکیده انگلیسی
Scaling feature values is an important step in numerous machine learning tasks. Different features can have different value ranges and some form of a feature scaling is often required in order to learn an accurate classifier. However, feature scaling is conducted as a preprocessing task prior to learning. This is problematic in an online setting because of two reasons. First, it might not be possible to accurately determine the value range of a feature at the initial stages of learning when we have observed only a handful of training instances. Second, the distribution of data can change over time, which render obsolete any feature scaling that we perform in a pre-processing step. We propose a simple but an effective method to dynamically scale features at train time, thereby quickly adapting to any changes in the data stream. We compare the proposed dynamic feature scaling method against more complex methods for estimating scaling parameters using several benchmark datasets for classification. Our proposed feature scaling method consistently outperforms more complex methods on all of the benchmark datasets and improves classification accuracy of a state-of-the-art online classification algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 129, 1 August 2017, Pages 97-105
نویسندگان
,