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

عنوان فارسی: | طبقه بندی گروه وزنی جریان های داده ای چندگانه |
عنوان انگلیسی: | Weighted Ensemble Classification of Multi-label Data Streams |
تعداد صفحات مقاله انگلیسی : 12 | تعداد صفحات ترجمه فارسی : 14 |
سال انتشار : 2017 | نشریه : اشپرینگر - Springer |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 351 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 1.25Mb |
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 |
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 |
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
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].
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].