业务流程挖掘预测中概念漂移的处理
机器学习
2020-12-09 v2 机器学习
摘要
如今，预测性服务在所有商业领域都扮演着重要角色。然而，部署的机器学习模型受到随时间变化的数据流的挑战，这被描述为概念漂移。模型预测质量可能受到这一现象的很大影响。因此，概念漂移通常通过重新训练模型来处理。然而，目前的研究缺乏关于应选择哪些数据用于重新训练机器学习模型的建议。因此，我们在本工作中系统地分析了不同的数据选择策略。随后，我们将研究结果实例化应用于一个受概念漂移强烈影响的流程挖掘用例。我们能够证明，通过处理概念漂移，我们可以将准确率从 0.5400 提高到 0.7010。此外，我们描述了不同数据选择策略的效果。
引用
@article{arxiv.2005.05810,
title = {Handling Concept Drift for Predictions in Business Process Mining},
author = {Lucas Baier and Josua Reimold and Niklas Kühl},
journal= {arXiv preprint arXiv:2005.05810},
year = {2020}
}