یادگیری مفهوم رانش با گروهی از طبقه بندهای مبتنی بر جنگل مسیر بهینه
ترجمه نشده

یادگیری مفهوم رانش با گروهی از طبقه بندهای مبتنی بر جنگل مسیر بهینه

عنوان فارسی مقاله: یادگیری مفهوم رانش با گروهی از طبقه بندهای مبتنی بر جنگل مسیر بهینه
عنوان انگلیسی مقاله: Learning concept drift with ensembles of optimum-path forest-based classifiers
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات
کلمات کلیدی فارسی: جنگل مسیر بهینه، مفهوم رانش، یادگیری گروهی
کلمات کلیدی انگلیسی: Optimum-path forest, Concept drift, Ensemble learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.01.005
دانشگاه: Federal University of São Carlos, São Carlos, São Paulo, Brazil
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 14
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12011
فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Concept drift


3. Optimum path forest


4. Proposed approach


5. Experimental results


6. Conclusions and future works


Acknowledgments


References

نمونه متن انگلیسی مقاله

Abstract


Concept drift methods learn patterns in non-stationary environments. Although such behavior is usually not expected in traditional classification problems, in real-world scenarios one can face them very much easier. In such a context, classifiers can be fooled and their effectiveness affected as well. Some examples include theft detection in energy distribution systems, where the consumer’s behavior may change suddenly or smoothly, or even churn prediction in mobile companies. In this paper, we introduce the Optimum-Path Forest (OPF) classifier in the context of concept drift, using decisions for concept drift handling based on a committee of OPF classifiers. We consider three distinct perspectives (three rounds of experiments with variations of streaming managements) over publics datasets, being the results compared to the ones obtained by standard OPF. We consider OPF ensemble suitable to work under these dynamic scenarios since its recognition rates were considerably better when compared to traditional OPF.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

یادگیری مفهوم رانش با گروهی از طبقه بندهای مبتنی بر جنگل مسیر بهینه
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها