一种基于决策的动态集成选择概念漂移方法
机器学习
2019-09-27 v1 机器学习
摘要
我们提出一种基于动态分类器集成选择的在线概念漂移检测方法。所提方法通过促进分类器成员间的多样性来生成集成池，并依据全局预序精度值挑选专家集成。不同于当前仅使用局部知识为每个实例选择最有能力集成的动态集成选择方法，我们的方法侧重于考虑决策空间进行选择。因此，它很好地适应了数据流问题中的漂移检测场景。实验结果表明，在代表不同类型漂移的人工数据集上，所提方法取得了最高的检测精度与最少的误报数，并具备有竞争力的分类准确率；此外，在不同实际问题的数据集上，其分类准确率优于基线方法。
引用
@article{arxiv.1909.12185,
title = {A Decision-Based Dynamic Ensemble Selection Method for Concept Drift},
author = {Regis Antonio Saraiva Albuquerque and Albert Franca Josua Costa and Eulanda Miranda dos Santos and Robert Sabourin and Rafael Giusti},
journal= {arXiv preprint arXiv:1909.12185},
year = {2019}
}