通过自评估预测模型退化实现概念漂移自动检测
机器学习
2019-07-19 v1 机器学习
摘要
自动化预测性机器学习的一个关键方面在于具备恰当触发已训练模型更新的能力。为此，必须设计合适的自动解决方案以自我评估预测质量以及原始训练集与新数据之间的数据分布漂移。本文提出一种新颖的方法，用于自动检测由基于类的概念漂移（即当新数据包含不符合当前已训练预测模型已知类标签集合的样本时）引起的机器学习模型预测质量退化。在合成与真实公开数据集上的实验表明了所提方法在自动检测并刻画由类标签数据分布变化引起的概念漂移方面的有效性。
引用
@article{arxiv.1907.08120,
title = {Automating concept-drift detection by self-evaluating predictive model degradation},
author = {Tania Cerquitelli and Stefano Proto and Francesco Ventura and Daniele Apiletti and Elena Baralis},
journal= {arXiv preprint arXiv:1907.08120},
year = {2019}
}
备注
5 pages, 4 figures