Tracking concept drift using a constrained penalized regression combiner

هدف از این کار توسعه یک مدل پیش بینی زمانی است که دسته های داده ها به صورت متوالی جمع آوری می شوند. با داده های جریان داده، اطلاعات به طور مداوم در حال به روز رسانی است و یک چالش عمده آماری برای این نوع داده ها این است که توزیع اساسی و وابستگی واقعی ورودی / خروجی ممکن است در طول زمان تغییر کند، یک پدیده شناخته شده به عنوان مفهوم رانش. پدیده رانش مفهوم، فرایند یادگیری را پیچیده می کند، زیرا یک مدل پیش بینی شده بر روی داده های گذشته دیگر با نمونه های جدید سازگار نیست. به منظور ردیابی مفهوم مؤثر، ما روشهای ترکیبی مدل را با استفاده از رگرسیون محدود و مجاز ارائه می دهیم که دارای ویژگی گروه بندی است. روش های یادگیری جدید ما را قادر می سازد دسته های داده ها را به عنوان گروهی که مربوط به فعلی هستند انتخاب کنیم، اثرات دسته های نامناسب را کاهش دهیم و انطباق نشان دهنده میزان راندگی مفهوم در جریان داده ها باشد. ما نمونه عملکرد محدودی از روش پیشنهاد شده را با استفاده از نمونه های شبیه سازی شده و واقعی نشان می دهیم. نتایج تحلیلی و تجربی نشان می دهد که روش های پیشنهادی می توانند به طور موثر با انواع مختلف مفهوم ریزش سازگار شوند.