مقاله انگلیسی رایگان در مورد یادگیری مفهوم رانش با گروهی از طبقه بند های مبتنی بر جنگل مسیر بهینه – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله یادگیری مفهوم رانش با گروهی از طبقه بندهای مبتنی بر جنگل مسیر بهینه
عنوان انگلیسی مقاله Learning concept drift with ensembles of optimum-path forest-based classifiers
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی  ۱۴ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) scopus – master journals – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۳۴۱ در سال ۲۰۱۷
شاخص H_index ۸۵ در سال ۲۰۱۹
شاخص SJR ۰٫۸۴۴ در سال ۲۰۱۷
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط الگوریتم و محاسبات
نوع ارائه مقاله
ژورنال
مجله / کنفرانس سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
دانشگاه Federal University of São Carlos, São Carlos, São Paulo, Brazil
کلمات کلیدی جنگل مسیر بهینه، مفهوم رانش، یادگیری گروهی
کلمات کلیدی انگلیسی Optimum-path forest, Concept drift, Ensemble learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2019.01.005
کد محصول E12011
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Outline
Highlights
Abstract
Keywords
۱٫ Introduction
۲٫ Concept drift
۳٫ Optimum path forest
۴٫ Proposed approach
۵٫ Experimental results
۶٫ Conclusions and future works
Acknowledgments
References

بخشی از متن مقاله:
Abstract
Concept drift methods learn patterns in non-stationary environments. Although such behavior is usually not expected in traditional classification problems, in real-world scenarios one can face them very much easier. In such a context, classifiers can be fooled and their effectiveness affected as well. Some examples include theft detection in energy distribution systems, where the consumer’s behavior may change suddenly or smoothly, or even churn prediction in mobile companies. In this paper, we introduce the Optimum-Path Forest (OPF) classifier in the context of concept drift, using decisions for concept drift handling based on a committee of OPF classifiers. We consider three distinct perspectives (three rounds of experiments with variations of streaming managements) over publics datasets, being the results compared to the ones obtained by standard OPF. We consider OPF ensemble suitable to work under these dynamic scenarios since its recognition rates were considerably better when compared to traditional OPF.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *