Resumen

El tratamiento de grandes flujos de datos en presencia de cambios conceptuales es uno de los principales desafíos en el campo de la minería de datos, especialmente cuando los algoritmos tienen que lidiar con conceptos que desaparecen y luego reaparecen. Este artículo presenta un nuevo algoritmo, llamado Fast Adapting Ensemble (FAE), que se adapta muy rápidamente tanto a cambios conceptuales abruptos como graduales, y ha sido diseñado específicamente para tratar conceptos recurrentes. FAE procesa los ejemplos de aprendizaje en bloques del mismo tamaño, pero no tiene que esperar a que se complete el lote para adaptar su mecanismo de clasificación base. FAE incorpora un detector de cambios para mejorar el manejo de cambios conceptuales abruptos y almacena un conjunto de clasificadores inactivos que representan conceptos antiguos, los cuales se activan muy rápidamente cuando estos conceptos reaparecen. Comparamos nuestro nuevo algoritmo con varios algoritmos de aprendizaje conocidos, teniendo en cuenta conjuntos de datos de referencia comunes. Los experimentos muestran resultados

• Materias:Internet de las cosas Inteligencia artificial Contaminantes atmosféricos Sistema biométrico Aplicaciones
• Subjects:Internet of things Artificial intelligence Air pollutants Biometric system Applications
• Palabras claves:Grandes flujos de datos; Cambios conceptuales; Fast Adapting Ensemble; Conceptos recurrentes; Detector de cambios; Algoritmos de aprendizaje
• Keywords:Large data streams; Concept drifts; Fast Adapting Ensemble; Recurring concepts; Drift detector; Learning algorithms