يادگيري برخط داده‌هاي جرياني نامتوازن داراي رانش مفهوم به وسيله نظريه باور و تابع آشوب

خصوصيات دادهه اي جرياني در گذر زمان خصوصيات داده‌هاي جرياني ناپايدار بوده و توزيع طبقات متحمل تغييرات مي‌گردند بنابراين مدل‌هاي يادگيري غالباً نياز به تطبيق با رانش مفاهيم دارند. در اين مقاله، با هدف حل دو چالش عدم توازن ميان طبقات مشاهده‌شده و وقوع رانش مفهوم، طبقه‌بند داده‌هاي جرياني نامتوازن داراي رانش مفهوم ارائه شده است. روش پيشنهادي سعي در حذف داده‌هاي جرياني مرزي و نويزي با كمك خوشه‌بندي دارد. داده‌ها با كمك تابع باور وزن دهي شده و با در نظر گرفتن برچسب داده‌ها، نمونه افزايي در نواحي كم تراكم طبقه اقليت و با رويكرد آشوبي انجام مي‌گيرد. سپس، با تعريف حد آستانه، رانش مفهوم شناسايي مي‌شود. پيش‌بيني برچسب توسط طبقه‌بند تركيبي و راي گيري وزن‌دار اكثريت انجام مي‌پذيرد. عملكرد روش پيشنهادي بر روي مجموعه داده‌هاي پايگاه داده UCI توسط روش LOO ارزيابي و با طبقه‌بندهاي مرز دانش مقايسه شده است. نتايج آزمايش‌ها نشان‌دهنده برتري روش پيشنهادي از نظر معيارهاي ارزيابي است.