Глоссарий ИИ
Полный словарь искусственного интеллекта
Классификация потоков
Процесс присвоения предопределенных меток экземплярам данных, поступающим последовательно в непрерывном потоке, без возможности пересмотра предыдущих данных. Эта техника позволяет классифицировать данные в реальном времени, одновременно адаптируясь к динамическим изменениям распределений.
Дерево Хёффдинга
Инкрементный алгоритм дерева решений, который строит модель из потока данных, используя неравенство Хёффдинга для принятия решения о разделении узла. Он гарантирует, что построенное дерево асимптотически идентично дереву, построенному на пакетных данных, с контролируемой вероятностью.
Анализ потоков данных
Область изучения алгоритмов и техник для извлечения знаний из непрерывных и потенциально бесконечных потоков данных. Эти алгоритмы должны обрабатывать данные за один проход с ограниченными ресурсами памяти и вычислительными мощностями.
Инкрементное обучение
Парадигма обучения, при которой модель непрерывно обновляется по мере поступления новых данных, без необходимости полного переобучения. Этот подход необходим для систем, работающих в динамических средах с непрерывными потоками данных.
Эволюция концептов
Феномен, отличный от дрейфа концептов, при котором новые классы появляются в потоке данных со временем. Обнаружение эволюции концептов критически важно для поддержания релевантности моделей классификации в средах, где метки могут эволюционировать.
Ансамблевые методы для потоков
Техники, комбинирующие несколько классификаторов для улучшения производительности и устойчивости в классификации потоков данных. Эти методы включают адаптивный бэггинг, онлайн-бустинг и подходы на основе разнообразия для эффективного управления дрейфом концептов.
VFDT (Очень быстрое дерево решений)
Пионерский алгоритм дерева решений для потоков данных, использующий неравенство Хёффдинга для гарантии статистически валидных решений с минимальным количеством экземпляров. Он составляет основу многих современных алгоритмов классификации потоков.
Метод обнаружения дрейфа (DDM)
Статистическая техника для обнаружения дрейфа концептов путем мониторинга уровня ошибок классификатора и его вариаций. Она использует доверительные границы на основе биномиального распределения для идентификации моментов, когда производительность модели значительно ухудшается.
K-ближайшие соседи для потоков
Адаптация алгоритма KNN для потоков данных с использованием эффективных структур данных, таких как kd-деревья или LSH, для поддержания быстрых запросов соседства. Эти методы должны справляться с эволюцией данных и присущими потокам ограничениями памяти.
Наивный Байес для потоков
Инкрементальная версия классификатора Наивный Байес, которая обновляет условные вероятности по мере поступления новых экземпляров в поток. Этот алгоритм особенно эффективен для потоков данных высокой размерности благодаря своей линейной вычислительной сложности.
Функции временного затухания
Механизмы, назначающие уменьшающиеся веса более старым экземплярам в потоке, чтобы придать больше значения недавним данным. Эти функции необходимы для адаптации моделей к постепенным изменениям и поддержания их временной релевантности.
Ресурсно-осознающая потоковая добыча данных
Подход к классификации потоков, который динамически адаптирует использование вычислительных ресурсов и памяти в зависимости от ограничений и нагрузки системы. Позволяет поддерживать приемлемую производительность даже при строгих ограничениях ресурсов.
Преквенциальная оценка
Методология оценки, специфичная для потоков данных, где каждый экземпляр сначала используется для тестирования модели перед использованием для обучения. Этот подход 'сначала тест, потом обучение' обеспечивает реалистичное измерение производительности на нестационарных данных.