GOOWE: Geometrically optimum and online-weighted ensemble classifier for evolving data streams

Değişmekte olan veri akışlarının büyüklüğü ve dinamik yapısı bu ortamlar için hedeflenen uyabilen sınıflandırıcıların tasarımını zorlaştırmaktadır. Veri akışının tasnifinde çevrim içi bireysel sınıflandırıcıların bir topluluk içinde çoklu bir yaklaşımla kullanılması bilinen yöntemlerden biridir. Çoklu sınıflandırıcının bileşenlerinden bir kısmının, zamanla değişen bir biçimde, diğerlerinden daha iyi olması olasıdır. Bileşen sınıflandırıcılara optimum ağırlık atanması tam olarak incelenmiş bir problem değildir. Bu çalışmada, en son veri örneklerini içeren kayan bir pencere kullanarak bileşen sınıflandırıcılara geometrik açıdan optimum ağırlık atayan çevrim içi bir çoklu sınıflandırıcı (GOOWE) yaklaşımı önerilmektedir. Bu amaçla, bileşen sınıflandırıcıların verdikleri oylar ve gerçek sınıf etiketleri uzaydaki noktalarla eşleştirilmektedir. Önerdiğimiz yeni yöntem, en küçük kareler (EKK) çözüm yaklaşımında, bileşenlerin oy puanları ve ideal noktalar arasındaki öklid mesafesini kullanarak, bileşenlere optimum ağırlık atamaktadır. EKK yaklaşımı yığınlar için tasarlanmış olan çoklu sınıflandırıcılar için daha önceden kullanılmıştır. Çalışmada, bu yaklaşım ilk kez çevrim içi çoklu sınıflandırıcılar için uzaysal bir model yaklaşımıyla kullanılmaktadır. Algoritmanın sağlamlığını göstermek için MOA kütüphanelerinin yanı sıra gerçek ve sentetik veri derlemlerini de kullanan, literatürde önde gelen 8 çoklu sınıflandırıcının sonuçlarını içeren, kapsamlı bir karşılaştırma sunulmaktadır. Deneyler, farklı kavram değişimi gözlenen bilgi akışı ortamlarında, GOOWE ile elde edilen başarının istatistiksel anlamda daha iyi olduğunu göstermektedir.