Resumen

La clasificación de flujos de datos se convierte en un trabajo de predicción prometedor con relevancia para muchos entornos prácticos. Sin embargo, bajo el entorno de cambio de concepto y ruido, la investigación de clasificación de flujos de datos enfrenta muchos desafíos. Por lo tanto, se presenta un nuevo modelo de conjunto incremental para clasificar flujos de datos no estacionarios con ruido. Nuestro enfoque integra tres estrategias: aprendizaje incremental para monitorear y adaptarse al cambio de concepto; aprendizaje de conjunto para mejorar la estabilidad del modelo; y un procedimiento de microagrupamiento que distingue el cambio de ruido y predice las etiquetas de las instancias entrantes mediante votación mayoritaria. Experimentos con dos conjuntos de datos sintéticos diseñados para probar tanto el cambio gradual como abrupto muestran que nuestro método proporciona una clasificación más precisa en flujos de datos no estacionarios con ruido que los dos baselines populares.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Clasificación de flujos de datos; Trabajo de predicción; Cambio de concepto; Ruido; Modelo de conjunto incremental; Flujos de datos no estacionarios
• Keywords:Data stream classification; Prediction work; Concept drift; Noise; Incremental ensemble model; Nonstationary data streams