الگوریتم نیمه نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتیاز اطمینان در جریانداده های غیر ایستا

در این مقاله، یک الگوریتم طبقه‌بندی نیمه‌نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتیاز اطمینان تحت عنوان ssecbs در محیط‌های غیر ایستا ارائه می‌شود. رویکرد پیشنهادی از داده‌های دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان داده‌ها استفاده می‌کند. ssecbs مکانیزم مشهور وزن‌دهی بر اساس دقت الگوریتم‌های جمعی مبتنی بر بلوک را با ماهیت افزایشی الگوریتم درخت هافدینگ تلفیق می‌کند. الگوریتم پیشنهادی به طور تجربی با 8 رویکرد منطبق بر جدیدترین دستاوردها، از جمله مدل‌های طبقه‌بندی نظارتی، نیمه‌نظارتی، منفرد و الگوریتم‌های جمعی مبتنی بر بلوک روی مجموعه داده‌های متنوع مقایسه شده است. بر اساس نتایج تجربی، ssecbs بهترین میانگین دقت طبقه‌بندی را نسبت به سایر رویکردهای نیمه‌نظارتی داراست و قادر است در محیط‌های دارای تغییر مفهوم با محدودیت داده برچسب‌دار عملکرد مناسبی داشته باشد.

SemiSupervised Ensemble Using Confidence Based Selection Metric in NnonStationary Data Streams

In this article, we propose a novel SemiSupervised Ensemble classifier using Confidence Based Selection metric, named SSECBS. The proposed approach uses labeled and unlabeled data, which aims at reacting to different types of concept drift. SSECBS combines an accuracybased weighting mechanism known from blockbased ensembles with the incremental nature of Hoeffding Tree. The proposed algorithm is experimentally compared to the stateoftheart stream methods, including supervised, semisupervised, single classifiers, and blockbased ensembles in different drift scenarios. Out of all the compared algorithms, SSECBS outperforms other semisupervised ensemble approaches. Experimental results show that SSECBS can be considered suitable for scenarios, involving many types of drift in limited labeled data.