| 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 | |
| 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. |