具有堆叠叶模型的在线多目标回归树
机器学习
2020-03-11 v4 机器学习
摘要
机器学习当前的挑战之一是如何处理数据流中以不断增长速率到来的数据。需要新的预测学习策略来应对高吞吐数据及概念漂移。由于其在大量现实问题中的适用性，多目标回归是需要新学习策略的数据流挖掘任务之一。虽然针对批量多目标回归已提出可靠且有效的学习策略，但针对数据流中多目标在线学习的策略很少。此外，现有多数方案在预测时未考虑目标间相关性的出现。本工作中，我们提出一种用于数据流中多目标回归的新型在线学习策略。该策略扩展现有的在线决策树学习算法，以在预测时探索目标间依赖关系。为此，所提策略称为堆叠单目标 Hoeffding 树（Stacked Single-target Hoeffding Tree, SST-HT），利用目标间依赖作为额外信息源以提升预测精度。通过广泛的实验设置，我们针对最先进的基于决策树的在线多目标回归算法评估了我们的方案。根据实验结果，SST-HT 表现出更优的预测精度，且处理时间与内存需求仅有小幅增加。
引用
@article{arxiv.1903.12483,
title = {Online Multi-target regression trees with stacked leaf models},
author = {Saulo Martiello Mastelini and Sylvio Barbon and André Carlos Ponce de Leon Ferreira de Carvalho},
journal= {arXiv preprint arXiv:1903.12483},
year = {2020}
}