A Classifier Ensemble Approach to S

A Classifier Ensemble Approach to Stream Data Classification
The idea is to train an ensemble or group of classifiers (using, say naïve Bayes) from sequential chunks of the data stream.
Whenever a new chunk arrives, we build a new classifier from it.
The individual classifiers are weighted based on their expected classification accuracy in a time-changing environment.
Only the top-k classifiers are kept. The decisions are then based on the weighted votes of the classifiers.

ผลลัพธ์ (ไทย) 1:

วิธีการวงดนตรี Classifier เพื่อสตรีมข้อมูลจัดประเภทความคิดจะฝึกเป็นวงดนตรีหรือกลุ่มของคำนามภาษา (การใช้ พูดขำน่า Bayes) จากก้อนตามลำดับของกระแสข้อมูลเมื่อท่อใหม่มาถึง เราสร้าง classifier ใหม่จากนั้น คำนามภาษาละถ่วงน้ำหนักตามความถูกต้องของประเภทที่คาดไว้ในสภาพแวดล้อมที่เปลี่ยนแปลงเวลา เท่าที่คำนามภาษา k ด้านบนจะถูกเก็บไว้ แล้วตัดสินใจที่จะตามให้คะแนนถ่วงน้ำหนักของคำนามภาษาที่

ผลลัพธ์ (ไทย) 2:

วิธีการลักษณนามทั้งมวลที่จะสตรีมจำแนกข้อมูล
ความคิดคือการฝึกอบรมชุดหรือกลุ่มของตัวจําแนก (ใช้พูดไร้เดียงสา Bayes) จากชิ้นลำดับของกระแสข้อมูล
เมื่อใดก็ตามที่ก้อนใหม่มาถึงเราสร้างลักษณนามใหม่จากมัน
แต่ละ ลักษณนามมีน้ำหนักขึ้นอยู่กับความถูกต้องของพวกเขาคาดว่าการจัดหมวดหมู่ในสภาพแวดล้อมที่เวลาเปลี่ยน
เฉพาะลักษณนามบน k จะถูกเก็บไว้ การตัดสินใจจะขึ้นอยู่แล้วในการลงคะแนนถ่วงน้ำหนักของตัวจําแนก

ผลลัพธ์ (ไทย) 3:

ลักษณนามที่ทั้งหมดวิธีการสตรีม
การจำแนกความคิดคือการฝึกเป็นชุดหรือกลุ่มของคำ ( ใช้พูด na ไตได้ Bayes ) จากต่อเนื่อง chunks ของกระแสข้อมูล .
เมื่อก้อนใหม่เข้ามา เราก็สร้างแบบใหม่จาก
คำลักษณนามที่บุคคลจะหนักตามคาด ความแม่นยำในการจำแนกในช่วงเวลาการเปลี่ยนแปลงสภาพแวดล้อม
เพียง top-k คำจะถูกเก็บไว้ การตัดสินใจจะขึ้นอยู่กับคะแนนถ่วงน้ำหนักของลักษณนาม