.png){kind=icon}
返回
Adaptive Options for Decision Trees in Evolving Data Stream Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06109-6_19.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
决策树是数据流挖掘框架和流水线的基本组件。然而，它们固有的不稳定性——即训练数据的小变化可能导致结构显著变化——已促使研究方法要么（i）缓解这种不稳定性，要么（ii）利用这种不稳定性以提高性能。选项树通过允许非叶节点拥有多个子树作为子节点，提供了一种降低不稳定性的替代方法。这使得实例能够在单个决策树结构中遍历多条路径，与集成方法相比，在处理时间和内存效率方面具有更大优势，这对数据流挖掘至关重要，因为数据会连续到达且可能无界。本文介绍了LASTO算法，该算法具有自适应的分裂机制和动态添加选项节点的机制。我们的主要贡献在于选项节点添加机制，其中变化检测器监控分支性能，并在观察到预测质量下降时引入选项节点。只有当分裂增益超过前一次分裂时，才会添加选项节点，以确保其必要性和有效性。实验结果表明，LASTO在数据流分类中实现了统计上显著的预测性能提升，同时保持了与最先进的决策树相当的计算效率。
Keyword:
Decision Tree
Data Stream
Option Nodes
期刊
机构
引用论文
Mining high-speed data streams.png)
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
分享收藏Accurate decision trees for mining high-speed data streamsProceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容