در گذر زمان خصوصیات داده‌های جریانی ناپایدار بوده و توزیع طبقات متحمل تغییرات می‌گردند بنابراین مدل‌های یادگیری غالباً نیاز به تطبیق با رانش مفاهیم دارند. در این مقاله، با هدف حل دو چالش عدم توازن میان طبقات مشاهده‌شده و وقوع رانش مفهوم، طبقه‌بند داده‌های جریانی نامتوازن دارای رانش مفهوم ارائه شده است. روش پیشنهادی سعی در حذف داده‌های جریانی مرزی و نویزی با کمک خوشه‌بندی دارد. داده‌ها با کمک تابع باور وزن دهی شده و با در نظر گرفتن برچسب داده‌ها، نمونه افزایی در نواحی کم تراکم طبقه اقلیت و با رویکرد آشوبی انجام می‌گیرد. سپس، با تعریف حد آستانه، رانش مفهوم شناسایی می‌شود. پیش‌بینی برچسب توسط طبقه‌بند ترکیبی و رای گیری وزن‌دار اکثریت انجام می‌پذیرد. عملکرد روش پیشنهادی بر روی مجموعه داده‌های پایگاه داده UCI توسط روش LOO ارزیابی و با طبقه‌بندهای مرز دانش مقایسه شده است. نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی از نظر معیارهای ارزیابی است.

واژه‌های کلیدی: تغییر مفهوم، داده جریانی، داده نامتوازن، طبقه‌بندی برخط، نظریه باور.

متن کامل [PDF 807 kb]   (37 دریافت)