A taxonomic look at instance-based stream classifiers

تعداد زیادی از جریان داده ها امروزه در بسیاری از زمینه ها تولید می شوند. یک چالش کلیدی هنگام یادگیری از چنین جریاناتی، مشکل ریزش مفهوم است. بسیاری از روش ها، از جمله بسیاری از روش های نمونه اولیه، در سال های اخیر برای حل این مشکل پیشنهاد شده است. در این مقاله یک طبقه بندی تصفیه شده از روش نمونه گیری و روش نمونه گیری برای طبقه بندی جریان داده ها با توجه به راندگی مفهوم ارائه شده است. طبقه بندی اجازه می دهد تا تبعیض در میان تعداد زیادی از روش ها که طبقه بندی های قبل از آن برای روش های آفلاین نمونه های خصوصی تشخیص داده نمی شود. این امکان چشم انداز ارزشمند جدیدی را در مورد نتایج تجربی فراهم می کند و چارچوبی برای بحث در مورد مفاهیم پشت روش های مختلف طراحی الگوریتم فراهم می کند. ما مجموعه ای از الگوریتم های مدرن را برای نشان دادن تفاوت های ساخته شده توسط طبقه بندی بررسی می کنیم. ما نتایج یک آزمایش عددی را ارائه می دهیم که عملکرد برخی از روش های نمایشی را در هر دو مجموعه داده های مصنوعی و دنیای واقعی با ریزش مفهوم و بدون مفهوم بررسی می کند و در مورد پیامدهای جهت تحقیقات آتی به سبب طبقه بندی بحث می کند. بر اساس نتایج تجربی، ما می توانیم توصیه هایی برای ارزیابی تجربی الگوریتم هایی ارائه کنیم که ممکن است در آینده ارائه شوند.