İçerik kayması bulunan akışkan verilerin sınıflandırılmasında eşleştirmeli karşılaştırma çalışması

Giderek artan oranda "nesnelerin interneti" alanları, sosyal medya uygulamaları, donanım cihazları ve benzeri kaynaklar hayret verici oranda veri üretmektedir. Heterojen kaynaklardan sürekli olarak gelen bu veriye akışkan veri denmektedir. Akışkan veri madenciliği yalnızca aniden popüler olan bir çalışma alanı değil aynı zamanda da karmaşık bir konudur. Akışkan verinin dinamik, sınırsız, yüksek boyutlu ve hızla gelişen yapısından dolayı eski ve geleneksel veri madenciliği teknikleri yetersiz kalmıştır. Gerçek hayatta karşılaşılan; ağ saldırılarının tespit edilmesi, hava tahminleri, istenmeyen e-postaların filtrelenmesi, hırsızlık tespit olayları ve benzeri problemlerde akışkan veriler kullanılmaktadır. Geniş hacimli akışkan verilerde gerçekleştirilen çevrimiçi öğrenme yöntemleri sıklıkla öngörülemeyen bir şekilde kaymaların oluşması ile sonuçlanmaktadır. Bu fenomene içerik kayması denmekte ve bu kaymalar akışkan çalışma veri setinden öğrenilen modeli güvensiz kılmaktadır. İçerik kayması tespit yöntemleri arasında bulunan algılayıcılar, kaymanın oluştuğu yeri ve zamanı tespit ederek sınıflandırma yöntemlerini değiştirerek sınıflandırmanın doğruluğunu yükseltmeye çalışmaktadır. Bu çalışma 13 kavram kayması tespit yöntemi [DDM, EDDM, ADWIN, CUSUM, GMA, PageHinkley, ECDD, HDDMA, HDDMW, SEQDRIFT2, STEPD, RDDM and SEED] ve 8 sınıflandırma yöntemi [NaiveBayes(NB), HoeffdingTree(HT), HoeffdingOption Tree, Perceptron(PR), OzaBagASHT, OzaBagADWIN, Decision Stump(DS), and k-Nearest Neighbor(kNN)] arasında eşleştirmeli bir karşılaştırma yapmaktadır. Analizler yapay veri setleri kullanılarak Massive Online Analysis (MOA) yazılımında gerçekleştirilmiştir.