진화하는 데이터 스트림을 위한 새로운 앙상블 방법

데이터 스트림의 고급 분석은 그런 처리를 요구하는 응용 프로그램의 수가 증가함에 따라 빠르게 데이터 마이닝 연구의 핵심 분야로 자리 잡고 있습니다. 시간에 따라 진화하는 데이터 스트림을 온라인으로 마이닝하는 것은 개념이 드리프트하거나 완전히 변화할 때 중요한 이슈 중 하나가 되고 있습니다. 비정상적인 개념을 다룰 때, 분류기의 앙상블은 단일 분류기 방법에 비해 여러 가지 장점을 가지고 있습니다: 쉽게 확장하고 병렬화할 수 있으며, 성능이 떨어지는 앙상블의 일부를 가지치기하여 빠르게 변화에 적응할 수 있고, 따라서 일반적으로 더 정확한 개념 설명을 생성합니다. 본 논문은 개념 드리프트를 연구하기 위한 새로운 실험 데이터 스트림 프레임워크와 ADWIN Bagging 및 Adaptive-Size Hoeffding Tree (ASHT) Bagging이라는 두 가지 새로운 Bagging 변형을 제안합니다. 새로운 실험 프레임워크를 사용하여 최대 1000만 개의 예를 포함한 합성 및 실제 데이터 세트에 대한 평가 연구는 새로운 앙상블 방법이 여러 알려진 방법에 비해 매우 잘 수행됨을 보여줍니다.