用于检测概念漂移的指数加权移动平均图
机器学习
2012-12-27 v1 机器学习
应用统计
摘要
对流数据进行分类需要开发计算高效且能够应对流底层分布变化（文献中称为概念漂移）的方法。我们提出了一种新的概念漂移检测方法，该方法使用指数加权移动平均(EWMA)图来监控流分类器的误分类率。我们的方法是模块化的，因此可以与任何底层分类器并行运行，提供额外的概念漂移检测层。此外，我们的方法计算高效，开销为O(1)，并且以完全在线的方式工作，无需在内存中存储数据点。与许多现有的概念漂移检测方法不同，我们的方法允许控制假阳性检测率并使其随时间保持恒定。
引用
@article{arxiv.1212.6018,
title = {Exponentially Weighted Moving Average Charts for Detecting Concept Drift},
author = {Gordon J. Ross and Niall M. Adams and Dimitris K. Tasoulis and David J. Hand},
journal= {arXiv preprint arXiv:1212.6018},
year = {2012}
}