Teknik untuk pembelajaran online tambahan classifier pada aliran data


9

Teknik mana yang bagus untuk menghadapi masalah abstrak ini?

Anda memiliki aliran data dari sinyal kontinu, sebagai satu dari sensor fisik. Sinyal itu memiliki nilai nyata (tidak jelas), tanpa atribut; fitur kecanduan (misalnya, kekuatan, korelasi-otomatis, entropi) dapat diekstraksi. Anda dapat menetapkan satu label dari set terbatas ke jendela sinyal. Biarkan label ini menjadi label pelatihan . Anda harus memilih titik awal dan akhir jendela serta label jendela.

Tugasnya adalah untuk mengklasifikasikan windows berikutnya secara online, seperti halnya sinyal diterima.

Saya meminta algoritme tambahan, dalam arti bahwa itu harus meningkatkan kinerja pendeteksiannya mengingat lebih banyak label pelatihan. Tetapi harus dapat mengklasifikasikan bahkan setelah hanya satu label pelatihan.

Jika masalahnya ternyata terlalu sulit karena deteksi batas windows, katakanlah Anda dapat memperbaiki ukurannya di konstanta kecil. Jadi algoritma mengklasifikasikan potongan kecil dari sinyal dan kemudian menggabungkan yang berdekatan dengan label yang sama. Jika Anda menggunakan pendekatan yang disederhanakan itu, mohon dibenarkan mengapa itu masuk akal.

Jawaban:


2

Jika ini adalah masalah klasifikasi biner, maka dimungkinkan untuk menerapkan SVM online seperti Bordes, A. dan Bottou, L. , "The Huller: SVM online yang sederhana dan efisien", ECML 2005 .

Jika ini adalah klasifikasi non-biner (yaitu lebih dari 2 label yang mungkin), Anda bisa melihat ke dalam teknik kernel kuadrat-terkecil rekursif. Mereka dibuat untuk regresi online, tetapi mereka berkinerja cukup baik untuk klasifikasi online juga. Berikut ini satu algoritma dasar KRLS: Y. Engel, S. Mannor dan R. Meir , "Algoritma kuadrat Recusrive Least Squares", IEEE Trans. Pemrosesan Sinyal, 2004 .

Kedua pendekatan ini akan membutuhkan ukuran jendela tetap untuk membandingkan vektor input dengan ukuran yang sama.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.