GOOWE-ML: A novel online stacked ensemble for multi-label classification in data streams

Veri akışları yaygınlaştıkça, bu geçişken ve dinamik verilerin madenciliği için çevrimiçi algoritmalara gereksinim gittikçe daha belirgin hale gelmektedir. Çok-etiketli veri akışı sınıflandırması, veri akışındaki her bir veri örneğinin etiket kümesindeki bir ya da birden fazla etiketle sınıflandırıldığı bir gözetimli sınıflandırma problemidir. Bu problemin çözümü için içinde çoklu-sınıflandırıcıların da bulunduğu birçok yöntem geliştirilip öne sürülmüştür. Bu çoklu-sınıflandırıcılardan bazıları yalnızca belirli birtakım çok-etiketli temel sınıflandırıcılarla çalışabilecek şekilde tasarlanmış, diğerleri ise çevrimiçi \textit{bagging} gibi yöntemlerle çoklu-sınıflandırıcılarını meydana getiren sınıflandırıcılarını seçmiştir. Bu çalışmada, çok-etiketli sınıflandırma problemi için GOOWE-ML adında yeni bir çevrimiçi, dinamik-ağırlıklı bir çoklu-sınıflandırıcı sunulmuştur. GOOWE-ML, uzamsal modelleme kullanarak içindeki sınıflandırıcılara en-iyileştirilmiş (optimal) ağırlıklar atayabilmektedir ve artımlı herhangi bir çok-etiketli sınıflandırıcıyı kendisi için bir temel sınıflandırıcı olarak kullanılabilecek niteliktedir. Bu çalışmada, 4 adet GOOWE-ML-bazlı çoklu-sınıflandırıcı ile, 7 adet rakip modele karşı çeşitli alanlardan 7 veri kümesi üzerinde deneyler yapılmıştır. Bu deneyler, GOOWE-ML-bazlı çoklu-sınıflandırıcıların neredeyse tüm veri kümelerinde, tahmin performansı bakımından rakip çoklu-sınıflandırıcılardan istikrarlı bir biçimde daha iyi sonuçlar verdiğini göstermektedir.