nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

GEP-Based Ensemble Classifier with Drift-Detection

verfasst von : Joanna Jȩdrzejowicz, Piotr Jȩdrzejowicz

Erschienen in: Artificial Intelligence XXXV

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The paper proposes a new ensemble classifier using Gene Expression Programming as the induction engine. The approach aims at predicting unknown class labels for datasets with concept drift. For constructing the proposed ensemble we use the two-level scheme where at the lower level base classifiers are induced and at the upper level, the meta-classifier is produced. The classification process is controlled by the well-known early drift detection mechanism. To validate the approach computational experiment has been carried out. Its results confirmed that the proposed classifier performs well.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel A Strategical Path Planner for UGV-UAV Cooperation in Mars Terrains

Nächstes Kapitel Dynamic Process Workflow Routing Using Deep Learning

Airlines dataset (2017). http://www.kaggle.com/datasets

Analysis, M.O.: UCI machine learning repository (2013). http://moa.cms.waikato.ac.nz/datasets/

Baena-Garća, M., del Campo-Ávila, J., Fidalgo, R., Bifet, A., Gavaldà, R., Morales-Bueno, R.: Early drift detection method. In: International Workshop on Knowledge Discovery from Data Streams, pp. 77–86 (2006)

Barros, R.S.M., Santos, S.G.T.C.: A large-scale comparison of concept drift detectors. Inf. Sci. 451–452, 348–370 (2018). https://doi.org/10.1016/j.ins.2018.04.014MathSciNetCrossRef

Bertini, J.R.J., Zhao, L., Lopes, A.A.: An incremental learning algorithm based on the k-associated graph for non-stationary data classification. Inf. Sci. 246, 52–68 (2013)MathSciNetCrossRef

Bifet, A., Gavaldà, R.: Learning from time-changing data with adaptive windowing. In: Proceedings of the Seventh SIAM International Conference on Data Mining, 26–28 April 2007, Minneapolis, Minnesota, USA, pp. 443–448. SIAM (2007). https://doi.org/10.1137/1.9781611972771.42CrossRef

de Carvalho Santos, S.G.T., de Barros, R.S.M., Júnior, P.M.G.: Optimizing the parameters of drift detection methods using a genetic algorithm. In: 27th IEEE International Conference on Tools with Artificial Intelligence, ICTAI 2015, Vietri sul Mare, Italy, 9–11 November 2015, pp. 1077–1084. IEEE Computer Society (2015). https://doi.org/10.1109/ICTAI.2015.153

Cohen, L., Avrahami, G., Last, M., Kandel, A.: Info-fuzzy algorithms for mining dynamic data streams. Appl. Soft Comput. 8(4), 1283–1294 (2008). https://doi.org/10.1016/j.asoc.2007.11.003CrossRef

Dheeru, D., Karra Taniskidou, E.: UCI machine learning repository (2017). http://archive.ics.uci.edu/ml

10.

Fern, A., Givan, R.: Online ensemble learning: an empirical study. Mach. Learn. 53(1–2), 71–109 (2003). https://doi.org/10.1023/A:1025619426553CrossRefMATH

11.

Ferreira, C.: Gene expression programming: a new adaptive algorithm for solving problems. CoRR cs.AI/0102027 (2001)

12.

Ferreira, C.: Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence. Studies in Computational Intelligence, vol. 21. Springer, Heidelberg (2006). https://doi.org/10.1007/3-540-32849-1

13.

Frías-Blanco, I., Verdecia-Cabrera, A., Ortiz-Díaz, A., Carvalho, A.: Fast adaptive stacking of ensembles. In: Proceedings of the 31st Annual ACM Symposium on Applied Computing, SAC 2016, pp. 929–934. ACM, New York (2016). https://doi.org/10.1145/2851613.2851655

14.

Gama, J., Medas, P., Castillo, G., Rodrigues, P.: Learning with drift detection. In: Bazzan, A.L.C., Labidi, S. (eds.) SBIA 2004. LNCS (LNAI), vol. 3171, pp. 286–295. Springer, Heidelberg (2004). https://doi.org/10.1007/978-3-540-28645-5_29CrossRef

15.

Hulten, G., Spencer, L., Domingos, P.M.: Mining time-changing data streams. In: Lee, D., Schkolnick, M., Provost, F.J., Srikant, R. (eds.) Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, August 26–29, 2001, pp. 97–106. ACM (2001). http://portal.acm.org/citation.cfm?id=502512.502529

16.

Jedrzejowicz, J., Jedrzejowicz, P.: Incremetal GEP-based ensemble classifier. In: Czarnowski, I., Howlett, R.J., Jain, L.C. (eds.) IDT 2017. SIST, vol. 72, pp. 61–70. Springer, Cham (2018). https://doi.org/10.1007/978-3-319-59421-7_6CrossRef

17.

Jȩdrzejowicz, J., Jȩdrzejowicz, P.: GEP-Induced Expression Trees as Weak Classifiers. In: Perner, P. (ed.) ICDM 2008. LNCS (LNAI), vol. 5077, pp. 129–141. Springer, Heidelberg (2008). https://doi.org/10.1007/978-3-540-70720-2_10CrossRef

18.

Jȩdrzejowicz, J., Jȩdrzejowicz, P.: A Family of GEP-Induced Ensemble Classifiers. In: Nguyen, N.T., Kowalczyk, R., Chen, S.-M. (eds.) ICCCI 2009. LNCS (LNAI), vol. 5796, pp. 641–652. Springer, Heidelberg (2009). https://doi.org/10.1007/978-3-642-04441-0_56CrossRef

19.

Jȩdrzejowicz, J., Jȩdrzejowicz, P.: Experimental evaluation of two new gep-based ensemble classifiers. Expert Syst. Appl. 38(9), 10932–10939 (2011). https://doi.org/10.1016/j.eswa.2011.02.135CrossRef

20.

Jȩdrzejowicz, J., Jȩdrzejowicz, P.: Combining expression trees. In: 2013 IEEE International Conference on Cybernetics, CYBCONF 2013, Lausanne, Switzerland, 13–15 June 2013, pp. 80–85. IEEE (2013). https://doi.org/10.1109/CYBConf.2013.6617448. http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6599033

21.

Jȩdrzejowicz, J., Jȩdrzejowicz, P.: Distance-based online classifiers. Expert Syst. Appl. 60, 249–257 (2016). https://doi.org/10.1016/j.eswa.2016.05.015CrossRefMATH

22.

Kolter, J.Z., Maloof, M.A.: Dynamic weighted majority: an ensemble method for drifting concepts. J. Mach. Learn. Res. 8, 2755–2790 (2007)MATH

23.

Kotsiantis, S.B.: An incremental ensemble of classifiers. Artif. Intell. Rev. 36(4), 249–266 (2011). https://doi.org/10.1007/s10462-011-9211-4CrossRef

24.

de Lima Cabral, D.R., de Barros, R.S.M.: Concept drift detection based on Fisher’s Exact test. Inf. Sci. 442–443, 220–234 (2018). https://doi.org/10.1016/j.ins.2018.02.054MathSciNetCrossRef

25.

Liu, S., Liu, Z., Sun, J., Liu, L.: Application of synergetic neural network in online writeprint identification. Int. J. Digit. Content Technol. Appl. 5(3), 126–135 (2011)CrossRef

26.

Nishida, K., Yamauchi, K.: Detecting concept drift using statistical testing. In: Corruble, V., Takeda, M., Suzuki, E. (eds.) DS 2007. LNCS (LNAI), vol. 4755, pp. 264–269. Springer, Heidelberg (2007). https://doi.org/10.1007/978-3-540-75488-6_27CrossRef

27.

Schlimmer, J.C., Granger, R.H.: Incremental learning from noisy data. Mach. Learn. 1(3), 317–354 (1986). https://doi.org/10.1023/A:1022810614389CrossRef

28.

Tanbeer, S.K., Ahmed, C.F., Jeong, B., Lee, Y.: Sliding window-based frequent pattern mining over data streams. Inf. Sci. 179(22), 3843–3865 (2009). https://doi.org/10.1016/j.ins.2009.07.012MathSciNetCrossRef

29.

Utgoff, P.E., Berkman, N.C., Clouse, J.A.: Decision tree induction based on efficient tree restructuring. Mach. Learn. 29(1), 5–44 (1997). https://doi.org/10.1023/A:1007413323501CrossRefMATH

30.

Xu, S., Wang, J.: A fast incremental extreme learning machine algorithm for data streams classification. Expert Syst. Appl. 65(C), 332–344 (2016). https://doi.org/10.1016/j.eswa.2016.08.052CrossRef

Titel: GEP-Based Ensemble Classifier with Drift-Detection
verfasst von: Joanna Jȩdrzejowicz
Piotr Jȩdrzejowicz
Verlag: Springer International Publishing
Buch: Artificial Intelligence XXXV
Print ISBN: 978-3-030-04190-8

Electronic ISBN: 978-3-030-04191-5

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-030-04191-5_9

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"