季节性平均一元依赖估计器：一种解决高维流分类中季节性概念漂移的新算法
机器学习
2020-06-30 v1 人工智能
应用统计
机器学习
摘要
流分类方法在新标记样本到达时对连续数据流进行分类。它们通常还须应对概念漂移。本文关注流分类中的季节性漂移，其可见于许多真实世界应用数据源。流分类的传统方法通过引入季节性虚拟/指示变量或为每个季节分别建立模型来处理季节性漂移。但这些方法在高维分类问题或复杂季节模式中具有很强的局限性。本文探讨在新闻文章分类（或归类/标注）这一特定背景下如何最好地处理季节性漂移，其中季节性漂移是该数据中压倒性的主要漂移类型，且数据为高维。我们引入一种名为季节性平均一元依赖估计器（SAODE）的新分类器，其扩展AODE分类器，通过将时间作为超级父节点来处理季节性漂移。我们使用两个各含约一百万条记录的大型真实世界文本挖掘相关数据集，针对九种最先进的流与概念漂移分类模型（含与不含季节指示变量以及为每季节建单独模型），评估我们的SAODE模型。在五种不同评估技术下，我们表明我们的模型在统计显著的结果上持续大幅优于其他方法。
引用
@article{arxiv.2006.15311,
title = {Seasonal Averaged One-Dependence Estimators: A Novel Algorithm to Address Seasonal Concept Drift in High-Dimensional Stream Classification},
author = {Rakshitha Godahewa and Trevor Yann and Christoph Bergmeir and Francois Petitjean},
journal= {arXiv preprint arXiv:2006.15311},
year = {2020}
}