用于基于实例的数据流分类的马氏距离度量学习算法
机器学习
2016-04-19 v1
摘要
随着当今海量数据挑战和技术的快速增长，流挖掘近来受到相当关注。为应对这一现象所表现的大量场景，各领域需要合适的工具。基于实例的数据流算法通常采用欧氏距离用于该问题底层的分类任务。审视此问题的新方式是由于数据流场景带来的更高要求而利用更灵活的度量。本文提出一种新算法，以在线方式利用相似与不相似约束学习马氏度量。该方法将马氏距离度量学习算法与带有概念漂移检测的k-NN数据流分类算法相混合。首先，考虑到关键性质以及在线距离度量学习算法，描述了马氏距离度量学习的一些基本方面。其次，我们实现了特定评估方法和比较度量，如用于数据流分类算法的Q统计量。最后，我们的算法在不同数据集上通过与最先进的最佳基于实例的数据流分类算法之一比较结果进行评估。结果证明我们的方案更好
引用
@article{arxiv.1604.04879,
title = {Mahalanobis Distance Metric Learning Algorithm for Instance-based Data Stream Classification},
author = {Jorge Luis Rivero Perez and Bernardete Ribeiro and Carlos Morell Perez},
journal= {arXiv preprint arXiv:1604.04879},
year = {2016}
}