Algoritmo de ensemble para classificação em fluxo de dados com classes desbalanceadas e mudanças de conceito (2022)
- Authors:
- USP affiliated authors: DELGADO, KARINA VALDIVIA - EACH ; LAURETTO, MARCELO DE SOUZA - EACH ; OLIVEIRA, DOUGLAS AMORIM DE - EACH
- Unidade: EACH
- DOI: 10.5753/eniac.2022.227356
- Subjects: ALGORITMOS E ESTRUTURAS DE DADOS; LINGUÍSTICA COMPUTACIONAL; BANCO DE DADOS
- Agências de fomento:
- Language: Português
- Abstract: Com o crescimento exponencial na geração de dados observado nas últimas décadas, a realização de tarefas de classificação sobre esses dados apresenta diversos desafios. Estes conjuntos de dados, por vezes, não são balanceadas quanto às suas classes e podem ocorrer alterações da formação das classes ao longo do tempo, chamadas de mudança de conceito. Dentre os algoritmos que visam solucionar esses problemas, o Kappa Updated Ensemble (KUE) tem apresentado bom desempenho em fluxo de dados com mudança de conceito. Como sua formulação original não é projetada para classes desbalanceadas, neste trabalho foram realizadas modificações no KUE afim de torná-lo mais robusto e aderente ao cenário de desbalanceamento nas bases de dados. Em experimentos realizados sobre oito conjuntos de dados com diferentes taxas de desbalanceamentos, o KUE modificado superou a versão original em cinco conjuntos de dados e produziu desempenho estatisticamente equivalente nos três restantes. Estes resultados são promissores e motivam novos desenvolvimentos para esta abordagem
- Imprenta:
- Publisher: Sociedade Brasileira de Computação
- Publisher place: Porto Alegre, RS
- Date published: 2022
- Source:
- Título do periódico: Proceedings of the 19th National Meeting of Artificial and Computational Intelligence
- ISSN: 2763-9061
- Volume/Número/Paginação/Ano: p. 25-36
- Conference titles: National Meeting of Artificial and Computational Intelligence
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: bronze
-
ABNT
OLIVEIRA, Douglas Cedrim e DELGADO, Karina Valdivia e LAURETTO, Marcelo de Souza. Algoritmo de ensemble para classificação em fluxo de dados com classes desbalanceadas e mudanças de conceito. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. Porto Alegre, RS: Sociedade Brasileira de Computação. Disponível em: https://doi.org/10.5753/eniac.2022.227356. Acesso em: 02 jun. 2024. , 2022 -
APA
Oliveira, D. C., Delgado, K. V., & Lauretto, M. de S. (2022). Algoritmo de ensemble para classificação em fluxo de dados com classes desbalanceadas e mudanças de conceito. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. Porto Alegre, RS: Sociedade Brasileira de Computação. doi:10.5753/eniac.2022.227356 -
NLM
Oliveira DC, Delgado KV, Lauretto M de S. Algoritmo de ensemble para classificação em fluxo de dados com classes desbalanceadas e mudanças de conceito [Internet]. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. 2022 ; 25-36.[citado 2024 jun. 02 ] Available from: https://doi.org/10.5753/eniac.2022.227356 -
Vancouver
Oliveira DC, Delgado KV, Lauretto M de S. Algoritmo de ensemble para classificação em fluxo de dados com classes desbalanceadas e mudanças de conceito [Internet]. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. 2022 ; 25-36.[citado 2024 jun. 02 ] Available from: https://doi.org/10.5753/eniac.2022.227356 - Arvores de classificacao para escolha de estrategias de operacao em mercados de capitais
- Análise empírica de desempenho de quatro métodos de seleção de características para Random Forests
- Processos de decisão Markovianos fatorados com probabilidades imprecisas
- Diagnóstico baseado em modelos num sistema tutor inteligente para programação com padrões pedagógicos
- Physiological response of American bullfrog tadpoles to stressor conditions of capture and hypoxia
- Amostragem fortuita para balanceamento de fatores em planejamentos de experimentos
- Seleção de modelos através de um teste de hipótese genuinamente Bayesiano: misturas de normais multivariadas e hipóteses separada
- Reliability analysis in series systems: an empirical comparison between Bayesian and classical estimators
- Assessing depth perception in virtual environments: a comprehensive framework
- REAL: real attribute learning for strategic market operation
Informações sobre o DOI: 10.5753/eniac.2022.227356 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
