کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6874596 | 687532 | 2015 | 12 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Incremental weighted one-class classifier for mining stationary data streams
ترجمه فارسی عنوان
مقیاس طبقه بندی وزن یک طبقه ای برای مقادیر ثابت داده های معدن
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
طبقه بندی داده ها طبقه بندی الگو، طبقه بندی یک طبقه یادگیری افزایشی، فراگیری ماشین،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Big data analytics, especially data stream mining, is among the most popular contemporary machine learning problems. More and more often real-life tasks could generate massive and continuous amounts of data. Standard classifiers cannot cope with a large volume of the training set and/or changing nature of the environment. In this paper, we deal with a problem of continuously arriving objects, that with each time interval may contribute new, useful knowledge to the patter classification system. One-class classification is a very useful tool for stream analysis, as it can be used for tackling outliers, noise, appearance of new classes or imbalanced data to name a few. We propose a novel version of incremental One-Class Support Vector Machine, that assigns weights to each object according to its level of significance. This allows to train more robust one-class classifiers on incremental streams. We present two schemes for estimating weights for new, incoming data and examine their usefulness on a number of benchmark datasets. We also analyze time and memory requirements of our method. Results of experimental investigations prove, that our method can achieve better one-class recognition quality than algorithms used so far.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Science - Volume 9, July 2015, Pages 19-25
Journal: Journal of Computational Science - Volume 9, July 2015, Pages 19-25
نویسندگان
Bartosz Krawczyk, MichaŠWoźniak,