Incremental weighted one-class classifier for mining stationary data streams

تجزیه و تحلیل داده های بزرگ، به ویژه انتقال داده جریان معدن، یکی از محبوب ترین مسائل مربوط به یادگیری ماشین معاصر است. بیشتر و بیشتر وظایف واقعی زندگی می تواند مقدار گسترده و مستمر داده ها را تولید کند. طبقه بندی استاندارد می تواند با حجم زیادی از مجموعه آموزشی و / یا تغییر طبیعت محیط سازگار نباشد. در این مقاله، ما با یک مسئله از اشیائی که به طور مداوم در حال رسیدن است روبرو می شویم، که با هر فاصله زمانی می تواند دانش جدید و مفیدی را در سیستم طبقه بندی پارت ایجاد کند. طبقه بندی یک کلاس یک ابزار بسیار مفید برای تجزیه و تحلیل جریان است، زیرا می توان آن را برای مقابله با سرخوشی، سر و صدا، ظهور کلاس های جدید و یا داده های نامتقارن برای نام چند مورد استفاده قرار داد. ما یک نسخه جدید از یک ماشین مجزا پشتیبانی یک کلاس تکمیلی را پیشنهاد می کنیم که وزن آن را بر اساس هر سطح از اهمیت تعیین می کند. این اجازه می دهد تا یک طبقه بندی کننده یک کلاس جامع تر را در جریان های افزایشی آموزش دهند. ما دو طرح برای ارزیابی وزن برای داده های جدید و ورودی ارائه می دهیم و مفید بودن آنها را در تعدادی از مجموعه داده های معیار ارزیابی می کنیم. ما همچنین نیازهای زمان و حافظه روش ما را تحلیل می کنیم. نتایج تحقیقات تجربی ثابت می کند که روش ما می تواند کیفیت بهتر یک کلاس را بهتر از الگوریتم های مورد استفاده به دست آورد.