یک چارچوب گروهی نوین و هوشمند برای شناسایی و انطباق بلادرنگ با رانش مفهومی در جریان داده‌ها با استفاده از درخت تصمیم‌گیری افزایشی

یادگیری از داده های بلادرنگ از دهه گذشته به طور فزاینده ای مورد توجه قرار گرفته است تغییر در توزیع داده ها در یادگیری آنلاین که بنام رانش مفهوم شناخته می شود باعث کاهش دقت مدل های یادگیری و ناکارآمدی آنها در پیش بینی های آینده می شود. این تحقیق با هدف طراحی و توسعه یک الگوریتم درخت تصمیم گیری افزایشی گروهی نوین ارائه شده است که قادر به شناسایی رانش مفهومی و انطباق خودکار با تغییرات توزیع داده ها باشد. برای نیل به این هدف، یک معماری جدید از درخت تصمیم گیری افزایشی گروهی ارائه شده است که با بهره گیری از یک استراتژی نمونه برداری احتمالی تطبیقی، الگوی تغییرات داده ها را به صورت مداوم پایش کرده و به روزرسانی های ساختاری در درخت تصمیم را به طور خودکار و بلادرنگ انجام می دهد. این رویکرد برخلاف روش های سنتی که واکنشی به تغییرات پاسخ می دهند، دارای یک مکانیزم نظارت فعال است که از طریق رهگیری تغییرات تابع خطای مدل، امکان شناسایی زودهنگام رانش مفهومی را فراهم می کند. به این ترتیب، مدل پیشنهادی قادر است در سناریوهای داده های جریانی با تغییرات نامنظم نیز دقت بالایی را حفظ کند. آزمایش های گسترده ای روی مجموعه داده ها انجام شد و نتایج نشان می دهد که روش پیشنهادی در چندین معیار ارزیابی از جمله دقت، حساسیت و صحت عملکرد بهتری نسبت به روش های موجود دارد.

a novel and intelligent ensemble framework for real-time detection and adaptation to concept drift in data streams using incremental decision trees

learning from real-time data has been increasingly considered over the past decade. the change in data distribution in online learning، known as concept drift، reduces the accuracy of learning models and makes them ineffective in future predictions. this research aims to design and develop a novel ensemble incremental decision tree algorithm that is capable of detecting concept drift and automatically adapting to changes in data distribution. to achieve this goal، a new architecture of ensemble incremental decision tree is presented that uses an adaptive probabilistic sampling strategy to continuously monitor the pattern of data changes and automatically and in real time performs structural updates in the decision tree. unlike traditional methods that respond reactively to changes، this approach has an active monitoring mechanism that enables early detection of concept drift by tracking changes in the model error function. in this way، the proposed model is able to maintain high accuracy even in streaming data scenarios with irregular changes. extensive experiments were conducted on the dataset and the results show that the proposed method performs better than existing methods in several evaluation criteria including accuracy، recall، and precision.