Resumen

En los últimos años, la prevalencia de los avances tecnológicos ha dado lugar a una enorme y creciente cantidad de datos que ahora están comúnmente disponibles en forma de flujo. En estos entornos no estacionarios, el proceso subyacente que genera el flujo de datos se caracteriza por un fenómeno intrínseco no estacionario o evolutivo o de deriva conocido como deriva conceptual. Dadas las aplicaciones cada vez más comunes cuyos mecanismos de generación de datos son susceptibles de cambio, no se puede exagerar la necesidad de contar con algoritmos eficaces y eficientes para aprender de los entornos en evolución o deriva y adaptarse a ellos. En los entornos dinámicos asociados a la deriva conceptual, los modelos de aprendizaje se actualizan con frecuencia para adaptarse a los cambios en la distribución de probabilidad subyacente de los datos. Muchos trabajos en el área del aprendizaje en entornos no estacionarios se centran en la actualización del modelo predictivo de aprendizaje para optimizar la recuperación de la deriva conceptual y la convergencia a nuevos conceptos mediante el ajuste de los parámetros y el descarte de los modelos de bajo rendimiento, mientras que se han dedicado pocos esfuerzos a investigar qué tipo de modelo de aprendizaje es adecuado en cada momento para los diferentes tipos de deriva conceptual. En este artículo, investigamos el impacto del aprendizaje de conjuntos heterogéneos en línea, basado en la selección de modelos en línea para el modelado predictivo en entornos dinámicos. Proponemos un novedoso enfoque de conjuntos heterogéneos basado en la selección de conjuntos dinámicos en línea que intercambia con precisión entre diferentes tipos de modelos base en un conjunto para mejorar su rendimiento predictivo en entornos no estacionarios. El enfoque se conoce como Selección de Conjuntos Dinámicos Heterogéneos basados en la Precisión y la Diversidad (HDES-AD) y hace uso de modelos generados por diferentes aprendices de base para aumentar la diversidad y evitar los problemas asociados con los clasificadores de conjuntos dinámicos existentes que pueden experimentar una pérdida de diversidad debido a la exclusión de los aprendices de base generados por diferentes algoritmos de base. El algoritmo se evalúa en conjuntos de datos artificiales y del mundo real con enfoques de conjuntos homogéneos en línea bien conocidos, como DDD, AFWE y OAUE. Los resultados muestran que HDES-AD se comporta significativamente mejor que los otros tres enfoques de conjuntos homogéneos en línea en entornos no estacionarios.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:entorno no estacionario, deriva del concepto, enfoque de conjunto en línea, entorno dinámico, tipo diferente, tipo de base, pérdida de diversidad, uso del modelo, exclusión de la base, algoritmo de base diferente
• Keywords:nonstationary environment, concept drift, online ensemble approach, dynamic environment, different type, type of base, loss of diversity, use of model, exclusion of base, different base algorithm