ترجمه مقاله طبقه بندی گروه وزنی جریان های داده ای چندگانه - نشریه اشپرینگر

ترجمه مقاله طبقه بندی گروه وزنی جریان های داده ای چندگانه - نشریه اشپرینگر
قیمت خرید این محصول
۳۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
طبقه بندی گروه وزنی جریان های داده ای چندگانه
عنوان انگلیسی
Weighted Ensemble Classification of Multi-label Data Streams
صفحات مقاله فارسی
14
صفحات مقاله انگلیسی
12
سال انتشار
2017
نشریه
اشپرینگر - Springer
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
351
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و فناوری اطلاعات
گرایش های مرتبط با این مقاله
رایانش ابری، مهندسی نرم افزار و مدیریت سیستم های اطلاعات
دانشگاه
دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه Jiaotong، پکن، چین
کلمات کلیدی
چندگانه، جریان داده ای، طبقه بندی
فهرست مطالب
چکیده
1. مقدمه
2. موارد مرتبط
3. اقدامات
3-1. {ML-KNN {31
4. طبقه بندی گروه های وزنی
4-1. ایده ی اصلی
4-2. آموزش و به روز رسانی طبقه بندی کننده
4-3. وزن دار کردن گروهی
4-4. الگوریتم طبقه بندی
5. آزمایشات
الف. کیفیت طبقه بندی در مقایسه با ML – KNN
ب) کیفیت طبقه بندی در مقایسه با {SMART {14
6. نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract

Many real world applications involve classification of multilabel data streams. However, most existing classification models mostly focused on classifying single-label data streams. Learning in multi-label data stream scenarios is more challenging, as the classification systems should be able to consider several properties, such as large data volumes, label correlations and concept drifts. In this paper, we propose an efficient and effective ensemble model for multi-label stream classification based on ML-KNN (Multi-Label KNN) [31] and propose a balance AdjustWeight function to combine the predictions which can efficiently process high-speed multi-label stream data with concept drifts. The empirical results indicate that our approach achieves a high accuracy and low storage cost, and outperforms the existing methods ML-KNN and SMART [14].

نمونه چکیده ترجمه متن فارسی
چکیده
بسیاری از برنامه های کاربردی دنیای واقعی شامل طبقه بندی جریان های داده ای چندگانه می شود. با این حال، اکثر مدل های طبقه بندی شده ی موجود، بیشتر به دسته بندی جریان های داده ای تک گانه متمرکز شدند. یادگیری در سناریوهای جریان چندگانه، چالش برانگیزتر است، زیرا سیستم های طبقه بندی باید قادر به در نظر گرفتن چندین ویژگی، مانند حجم داده های بزرگ، همبستگی های مطلب و تغییرات مفهومی باشند. در این مقاله، ما یک مدل مؤثر و کارآمد برای طبقه بندی جریان چند گانه مبتنی بر ML-KNN (Multi-Label KNN) پیشنهاد می کنیم [31] و یک تابع تعادل AdjustWeight را برای ترکیب پیش بینی هایی که می تواند به صورت کارآمد داده ی جریانی چندگانه ی پرسرعت را با تغییرات مفهومی پردازش کند، معرفی می کنیم. نتایج تجربی نشان می دهد که رویکرد ما دقتی بالا و هزینه ی ذخیره سازی پایینی را به همراه دارد، و از روش های موجود ML-KNN و SMART برتر است [14].

بدون دیدگاه