Resumen

Las características irrelevantes y redundantes aumentan los requisitos de cálculo y almacenamiento, y la extracción de la información necesaria se vuelve desafiante. La selección de características nos permite extraer la información útil de los datos dados. La selección de características en tiempo real es un campo emergente para el procesamiento de datos de alta dimensionalidad, donde el número total de atributos puede ser infinito o desconocido, mientras que el número de instancias de datos es fijo. Proponemos un enfoque híbrido de selección de características para características en tiempo real utilizando optimización de colonia de hormigas con incertidumbre simétrica (ACO-SU). El enfoque propuesto prueba la utilidad de las características entrantes y elimina las características redundantes. El algoritmo actualiza el conjunto de características obtenido cuando llega una nueva característica. Evaluamos nuestro enfoque en catorce conjuntos de datos del repositorio UCI. Los resultados muestran que nuestro enfoque logra una mejor precisión con un número mínimo de características en comparación con los métodos existentes.

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Características; Selección; Transmisión; Datos; Enfoque; Optimización
• Keywords:Features; Selection; Streaming; Data; Approach; Optimization