On-the-fly ensemble classifier pruning in evolving data streams

Heyet yaklaşımlı sınıflandırıcılarda budama, bellek kullanımını ve işlem zamanını azaltırken en azından orijinal heyet kadar başarılı bir alt küme seçme işlemidir. Heyet yaklaşımlı sınıflandırıcılarda budama konusu veri akışlarında üzerine düşülmemiş bir araştırma konusudur. Heyet bileşenlerinin veri akışı devam ederken analiz edilmesini ve faydalı bileşenlerin gereksiz olanlardan ayrıştırılmasını gerektirir. Bu tezde iki anında heyet budama metodu önerilmiştir; CCRP ve CCP. CCRP seçilen alt kümede her bir hedef sınıf için en iyi sınıflandırmayı yapan bileşenlerin bulunmasını hedefliyerek veri akışındaki sınıf dağılımlarının dengesizliğinin etkilerini azaltır. Öte yandan, CCP farklı veri noktalarında hatalar yapan bileşenleri seçer. Gerçek ve sentetik veri akışları üzerinde farklı sınıflandırıcılar ile yapılan deneyler, budama işleminin kaynaştırıldığı heyet sınıflandırıcılarının bellek kullanımını ve harcadıkları zamanı istatistiksel açıdan önemli derecede azaltırken sınıfların tahminsel başarına zarar vermediğini göstermiştir.