Resumen

La estimación de la función de densidad de probabilidad (PDF) juega un papel muy importante en el campo de la minería de datos. El estimador de densidad de núcleo (KDE) es la tecnología más utilizada para estimar el desconocido para el conjunto de datos dado. Los KDE existentes suelen ser ineficientes al manejar el problema de estimación de para los datos en continuo flujo, porque un nuevo KDE tiene que ser reentrenado basado en la combinación de los datos actuales y los datos recién llegados. Este proceso aumenta el tiempo de entrenamiento y desperdicia los recursos computacionales. Este artículo propone un estimador de densidad de núcleo incremental (I-KDE) que aborda el problema de estimación de de manera computacional de flujo de datos. El I-KDE actualiza dinámica y gradualmente el KDE actual con los datos recién llegados en lugar de reentrenar el nuevo KDE con la combinación de los datos actuales y los datos recién llegados. El análisis teórico demuestra la convergencia del I-KDE solo si la

• 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:Función de densidad de probabilidad; Estimador de densidad de núcleo; Estimación; Minería de datos; Datos en continuo; Convergencia
• Keywords:Probability density function; Kernel density estimator; Estimation; Data mining; Stream data; Convergence