用于数据流分类的集成多样性
机器学习
2019-02-25 v1 机器学习
摘要
在构建分类器集成时，基分类器之间的多样性是重要特征之一。在标准静态数据背景下已开展若干研究，特别是分析集成高预测性能与其组件多样性之间的关系。此外，学习机集成已被用于在有概念漂移存在时学习并适应之。然而，在演化数据流中多样性度量尚未受到太多研究关注。仅有少数研究者在构建集成或检测漂移时重建集成时直接考虑促进多样性。本文中，我们对不同多样性度量进行理论分析，并将其与流式数据集成学习算法的成功相关联。该分析增进了对多样性概念及其在概念漂移存在下对在线集成学习影响的理解。更确切地说，我们致力于回答以下研究问题：哪些常用多样性度量用于静态数据集成的背景，以及它们在多大程度上适用于流数据集成背景？
引用
@article{arxiv.1902.08466,
title = {Diversity of Ensembles for Data Stream Classification},
author = {Mohamed Souhayel Abassi},
journal= {arXiv preprint arXiv:1902.08466},
year = {2019}
}
备注
9 pages, 3 tables, 3 figures