利用可视化分析诊断概念漂移
机器学习
2023-08-10 v3 人机交互
机器学习
摘要
概念漂移是指数据流的分布随时间以不可预见的方式发生变化，导致基于历史数据构建的预测模型变得不准确的现象。尽管已开发出多种自动化方法来识别概念漂移的发生，但对于需要在检测到漂移时理解并修正其模型的分析人员，支持手段仍然有限。本文提出一种名为 DriftVis 的可视化分析方法，以支持模型构建者和分析人员识别并修正流数据中的概念漂移。DriftVis 将基于分布的漂移检测方法与流式散点图相结合，支持分析由数据流分布变化引起的漂移，并探究这些变化对模型精度的影响。我们开展了量化实验以及关于天气预测和文本分类的两个案例研究，以展示所提出的工具，并说明如何利用可视化分析支持概念漂移的检测、检查和修正。
引用
@article{arxiv.2007.14372,
title = {Diagnosing Concept Drift with Visual Analytics},
author = {Weikai Yang and Zhen Li and Mengchen Liu and Yafeng Lu and Kelei Cao and Ross Maciejewski and Shixia Liu},
journal= {arXiv preprint arXiv:2007.14372},
year = {2023}
}
备注
Accepted for IEEE Conference on Visual Analytics Science and Technology (VAST) 2020