一种用于多标签流分类的新型在线堆叠集成方法
机器学习
2018-09-27 v1 信息检索
机器学习
摘要
随着数据流的日益普及，挖掘这种瞬态和动态数据的在线算法的必要性愈发明显。多标签数据流分类是一种监督学习问题，其中数据流中的每个实例被分类到一个或多个预定义的标签集中。已有许多方法被提出来解决这一问题，包括但不限于基于集成的方法。其中一些基于集成的方法是专门设计用于配合特定的多标签基分类器工作的；另一些则采用在线装袋方案来构建其集成。在本研究中，我们提出了一种用于多标签分类的新型在线动态加权堆叠集成方法，称为 GOOWE-ML，它利用空间建模为其组成分类器分配最优权重。我们的模型可以使用任何现有的增量式多标签分类算法作为其基分类器。我们在来自不同兴趣领域的 7 个真实世界数据集上，使用 4 种基于 GOOWE-ML 的多标签集成和 7 个基线模型进行了实验。我们的实验表明，相对于其他显著的集成模型，GOOWE-ML 集成在几乎所有数据集中都产生了持续更优的预测性能结果。
引用
@article{arxiv.1809.09994,
title = {A Novel Online Stacked Ensemble for Multi-Label Stream Classification},
author = {Alican Büyükçakır and Hamed Bonab and Fazli Can},
journal= {arXiv preprint arXiv:1809.09994},
year = {2018}
}
备注
10 pages, 4 figures. To be appeared in ACM CIKM 2018, in Torino, Italy