.png){kind=icon}
返回
Adaptive random tree ensemble for evolving data stream classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2024.112830.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据流挖掘中的概念漂移是机器学习中的一个重要挑战，因为这种情况需要处理无限且不断变化的数据以及实时处理的能力。数据流挖掘中常用的策略是利用集成方法，这得益于它们处理概念漂移并实现高精度预测的能力。然而，为数据流挖掘开发精确且高效的集成方法是一个重大挑战，因为最先进的算法通常效率低下，消耗过多的内存和处理时间。本研究提出了一种名为自适应随机树集成（ARTE）的新型基于集成的数据流分类算法。该算法探索了使用随机大小的特征子空间来促进高预测精度的方法，包括在线装袋、树的分割点随机选择以及用于最终集成投票的分类器选择方法。本研究还分析了子空间大小选择和树节点分割的随机分割点对集成多样性的贡献。经过广泛的实验研究，ARTE表现出高预测性能，在真实和合成数据集的数据流集成方面优于最先进的集成方法，同时所需计算资源更少。
Keyword:
Data stream mining
Ensemble learning
Concept drift
Random subspaces