Ver registro no DEDALUS
Exportar registro bibliográfico

Metrics


Metrics:

An online adaptive classifier ensemble for mining non-stationary data streams (2018)

  • Authors:
  • USP affiliated authors: CARVALHO, ANDRÉ CARLOS PONCE DE LEON FERREIRA DE - ICMC
  • USP Schools: ICMC
  • DOI: 10.3233/IDA-173522
  • Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE SÉRIES TEMPORAIS; MINERAÇÃO DE DADOS; ALGORITMOS ÚTEIS E ESPECÍFICOS
  • Keywords: Classifier ensemble; concept drift; data stream; massive data; online learning
  • Agências de fomento:
  • Language: Inglês
  • Imprenta:
  • Source:
  • Acesso online ao documento

    Online accessDOI or search this record in
    Informações sobre o DOI: 10.3233/IDA-173522 (Fonte: oaDOI API)
    • Este periódico é de assinatura
    • Este artigo NÃO é de acesso aberto

    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      VERDECIA-CABRERA, Alberto; BLANCO, Isvani Frías; CARVALHO, Andre Carlos Ponce de Leon Ferreira de. An online adaptive classifier ensemble for mining non-stationary data streams. Intelligent Data Analysis, Amsterdam, IOS Press, v. 22, n. 4, p. 787-806, 2018. Disponível em: < http://dx.doi.org/10.3233/IDA-173522 > DOI: 10.3233/IDA-173522.
    • APA

      Verdecia-Cabrera, A., Blanco, I. F., & Carvalho, A. C. P. de L. F. de. (2018). An online adaptive classifier ensemble for mining non-stationary data streams. Intelligent Data Analysis, 22( 4), 787-806. doi:10.3233/IDA-173522
    • NLM

      Verdecia-Cabrera A, Blanco IF, Carvalho ACP de LF de. An online adaptive classifier ensemble for mining non-stationary data streams [Internet]. Intelligent Data Analysis. 2018 ; 22( 4): 787-806.Available from: http://dx.doi.org/10.3233/IDA-173522
    • Vancouver

      Verdecia-Cabrera A, Blanco IF, Carvalho ACP de LF de. An online adaptive classifier ensemble for mining non-stationary data streams [Internet]. Intelligent Data Analysis. 2018 ; 22( 4): 787-806.Available from: http://dx.doi.org/10.3233/IDA-173522

    Referências citadas na obra
    Autor: Bifet
    Título: Accurate Ensembles for Data Streams: Combining Restricted Hoeffding Trees using Stacking
    Título do periódico: ACML
    Primeira página: 225
    Ano: 2010
    A. Bifet and R. Gavalda, Learning from time-changing data with adaptive windowing, In SIAM International Conference on Data Mining, 2007.
    Autor: Bifet
    Título: Moa: Massive online analysis
    Título do periódico: The Journal of Machine Learning Research
    Volume: 11
    Primeira página: 1601
    Ano: 2010
    Autor: Bifet
    Título: Leveraging bagging for evolving data streams
    Título do periódico: Machine learning and knowledge discovery in databases
    Primeira página: 135
    Ano: 2010
    DOI: 10.1007/978-3-642-15880-3_15
    A. Bifet, G. Holmes, B. Pfahringer, R. Kirkby and R. Gavalda, New ensemble methods for evolving data streams, In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, 2009, pp. 139–148, ACM.
    Autor: Breiman
    Título: Bagging predictors
    Título do periódico: Machine Learning
    Volume: 24
    Fascículo: 2
    Primeira página: 123
    Ano: 1996
    DOI: 10.1007/BF00058655
    Autor: Brzezinski
    Título: Reacting to Different Types of Concept Drift: The Accuracy Updated Ensemble Algorithm
    Título do periódico: IEEE Transactions on Neural Networks and Learning Systems
    Volume: 25
    Fascículo: 1
    Primeira página: 81
    Ano: 2014
    DOI: 10.1109/TNNLS.2013.2251352
    Autor: Cestnik
    Título: Estimating probabilities: a crucial task in machine learning
    Título do periódico: ECAI
    Primeira página: 147
    Ano: 1990
    Autor: Clark
    Título: The CN2 induction algorithm
    Título do periódico: Machine Learning
    Volume: 3
    Fascículo: 4
    Primeira página: 261
    Ano: 1989
    DOI: 10.1007/BF00116835
    Autor: Deckert
    Título: Batch weighted ensemble for mining data streams with concept drift
    Título do periódico: Foundations of Intelligent Systems
    Primeira página: 290
    Ano: 2011
    DOI: 10.1007/978-3-642-21916-0_32
    Autor: Domingos
    Título: On the optimality of the simple Bayesian classifier under zero-one loss
    Título do periódico: Machine Learning
    Volume: 29
    Fascículo: 2–3
    Primeira página: 103
    Ano: 1997
    DOI: 10.1023/A:1007413511361
    Autor: Ferrer Troyano
    Título: Incremental Rule Learning and Border Examples Selection from Numerical Data Streams
    Título do periódico: J. UCS
    Volume: 11
    Fascículo: 8
    Primeira página: 1426
    Ano: 2005
    Y. Freund and R.E. Schapire, A Short Introduction to Boosting, In In Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence, 1999, pp. 1401–1406. Morgan Kaufmann,
    Autor: Frias-Blanco
    Título: Online and Non-Parametric Drift Detection Methods Based on Hoeffding Bounds
    Título do periódico: IEEE Transactions on Knowledge and Data Engineering
    Volume: 27
    Fascículo: 3
    Primeira página: 810
    Ano: 2015
    DOI: 10.1109/TKDE.2014.2345382
    Autor: Frías-Blanco
    Título: Online adaptive decision trees based on concentration inequalities
    Título do periódico: Knowledge-Based Systems
    Volume: 104
    Primeira página: 179
    Ano: 2016
    DOI: 10.1016/j.knosys.2016.04.019
    Autor: Frías Blanco
    Título: Aprendiendo con detección de cambio online
    Título do periódico: Computación y Sistemas
    Volume: 18
    Fascículo: 1
    Primeira página: 169
    Ano: 2014
    I. Frías-Blanco, A. Verdecia-Cabrera, A. Ortiz-Díaz and A. Carvalho, Fast adaptive stacking of ensembles, In Proceedings of the 31st Annual ACM Symposium on Applied Computing, 2016, pp. 929–934, ACM.
    Autor: Gama
    Título: Tracking recurring concepts with meta-learners
    Título do periódico: Progress in Artificial Intelligence
    Primeira página: 423
    Ano: 2009
    DOI: 10.1007/978-3-642-04686-5_35
    Autor: Gama
    Título: Learning with drift detection
    Título do periódico: Advances in artificial intelligence
    Primeira página: 286
    Ano: 2004
    J. Gama and P. Rodrigues, Learning from Data Streams: Processing Techniques in Sensor Networks, Springer-Verlag, 1 edition, 2007.
    Autor: Gama
    Título: Evaluating algorithms that learn from data streams
    Título do periódico: Proceedings of the 2009 ACM symposium on Applied Computing
    Primeira página: 1496
    Ano: 2009
    DOI: 10.1145/1529282.1529616
    Autor: Gama
    Título: On evaluating stream learning algorithms
    Título do periódico: Machine Learning
    Volume: 90
    Fascículo: 3
    Primeira página: 317
    Ano: 2013
    DOI: 10.1007/s10994-012-5320-9
    Autor: Gama
    Título: A Survey on Concept Drift Adaptation
    Título do periódico: ACM Comput. Surv.
    Volume: 46
    Fascículo: 4
    Primeira página: 44:1
    Ano: 2014
    DOI: 10.1145/2523813
    G. Hulten, L. Spencer and P. Domingos, Mining time-changing data streams, In Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining, 2001, pp. 97–106, ACM.
    Autor: Kolter
    Título: Dynamic weighted majority: An ensemble method for drifting concepts
    Título do periódico: The Journal of Machine Learning Research
    Volume: 8
    Primeira página: 2755
    Ano: 2007
    L.I. Kuncheva, Combining pattern classifiers: methods and algorithms, John Wiley & Sons, 2004.
    Autor: Lam
    Título: Application of majority voting to pattern recognition: an analysis of its behavior and performance
    Título do periódico: IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans
    Volume: 27
    Fascículo: 5
    Primeira página: 553
    Ano: 1997
    DOI: 10.1109/3468.618255
    Autor: Langley
    Título: An analysis of Bayesian classifiers
    Título do periódico: Aaai
    Primeira página: 223
    Ano: 1992
    Autor: Minku
    Título: The impact of diversity on online ensemble learning in the presence of concept drift
    Título do periódico: Knowledge and Data Engineering, IEEE Transactions on
    Volume: 22
    Fascículo: 5
    Primeira página: 730
    Ano: 2010
    DOI: 10.1109/TKDE.2009.156
    Autor: Minku
    Título: DDD: A new ensemble approach for dealing with concept drift
    Título do periódico: Knowledge and Data Engineering, IEEE Transactions on
    Volume: 24
    Fascículo: 4
    Primeira página: 619
    Ano: 2012
    DOI: 10.1109/TKDE.2011.58
    D.C. Montgomery, Introduction to statistical quality control, John Wiley & Sons, 2007.
    A. Ortiz Diaz, J. del Campo-Avila, G. Ramos-Jimenez, I. Frias Blanco, Y. Caballero Mota, A. Mustelier Hechavarria and R. Morales-Bueno, Fast Adapting Ensemble: A New Algorithm for Mining Data Streams with Concept Drift, The Scientific World Journal, 2014.
    Autor: Oza
    Título: Online Bagging and Boosting
    Título do periódico: Eighth International Workshop on Artificial Intelligence and Statistics
    Primeira página: 105
    Ano: 2001
    Autor: Pazzani
    Título: Searching for dependencies in Bayesian classifiers
    Título do periódico: Learning from Data
    Primeira página: 239
    Ano: 1996
    DOI: 10.1007/978-1-4612-2404-4_23
    Autor: Ross
    Título: Exponentially weighted moving average charts for detecting concept drift
    Título do periódico: Pattern Recognition Letters
    Volume: 33
    Fascículo: 2
    Primeira página: 191
    Ano: 2012
    DOI: 10.1016/j.patrec.2011.08.019
    W.N. Street and Y. Kim, A Streaming Ensemble Algorithm (SEA) for Large-scale Classification, In Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’01, 2001, pp. 377–382, New York, NY, USA, ACM.
    H. Wang, W. Fan, P.S. Yu and J. Han, Mining concept-drifting data streams using ensemble classifiers, In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, 2003, pp. 226–235, ACM.
    Autor: Widmer
    Título: Learning in the presence of concept drift and hidden contexts
    Título do periódico: Machine Learning
    Volume: 23
    Fascículo: 1
    Primeira página: 69
    Ano: 1996
    DOI: 10.1007/BF00116900
    S. Yue, M. Guojun, L. Xu and L. Chunnian, Mining concept drifts from data streams based on multi-classifiers, In Advanced Information Networking and Applications Workshops, 2007, AINAW’07. 21st International Conference on, volume 2, 2007, pp. 257–263. IEEE.