Masivní online analýza - Massive Online Analysis

MOA
VývojářiUniversity of Waikato
Stabilní uvolnění
20.07.1[1] / 26. července 2020; před 3 měsíci (26. července 2020)
Úložiště
Upravte to na Wikidata
Operační systémCross-platform
TypStrojové učení
LicenceGNU General Public License
webová stránkamoa.cms.waikato.ac.nz

Masivní online analýza (MOA) je zdarma open-source software projekt specifický pro těžba datového proudu s koncept drift. Je napsán v Jáva a vyvinut na University of Waikato, Nový Zéland.[2]

Popis

MOA je open-source framework software, který umožňuje vytvářet a spouštět experimenty strojového učení nebo dolování dat na vyvíjejících se datových tocích. Obsahuje sadu studentů a generátorů streamů, které lze použít z grafického uživatelského rozhraní (GUI), příkazového řádku a Java API. MOA obsahuje několik kolekcí algoritmů strojového učení:

  • Klasifikace
    • Bayesovské klasifikátory
      • Naivní Bayes
      • Naivní Bayes Multinomial
    • Klasifikátory rozhodovacích stromů
      • Rozhodovací pařez
      • Hoeffding Tree
      • Strom možností hoeffdingu
      • Adaptivní strom s hoeffdingem
    • Meta klasifikátory
      • Pytlování
      • Posilování
      • Pytlování pomocí ADWIN
      • Pytlování pomocí hoeffdingových stromů s adaptivní velikostí.
      • Stohování perceptronů omezených hoeffdingových stromů
      • Využití pytlování
      • Soubor s aktualizací přesnosti online
    • Klasifikátory funkcí
    • Klasifikátory driftu
      • Samonastavovací paměť[3]
      • Pravděpodobnostní adaptivní okna
    • Multi-label klasifikátory[4]
    • Aktivní učení klasifikátory [5]
  • Regrese
  • Shlukování[8]
    • StreamKM ++
    • CluStream
    • ClusTree
    • D-Stream
    • Pavučina.
  • Detekce odlehlých hodnot[9]
    • BOUŘKA
    • Abstrakt-C
    • TRESKA
    • MCOD
    • AnyOut[10]
  • Doporučující systémy
    • BRISMFPredictor
  • Častá těžba vzorků
  • Změňte detekční algoritmy[13]

Tyto algoritmy jsou navrženy pro strojové učení ve velkém měřítku, zabývající se koncepčním driftem a velkými datovými toky v reálném čase.

MOA podporuje obousměrnou interakci s Weka (strojové učení). MOA je svobodný software propuštěn pod GNU GPL.

Viz také

Reference

  1. ^ „Vydání 20.07.1“. 26. července 2020. Citováno 27. července 2020.
  2. ^ Bifet, Albert; Holmes, Geoff; Kirkby, Richard; Pfahringer, Bernhard (2010). „MOA: Massive online analysis“. The Journal of Machine Learning Research. 99: 1601–1604.
  3. ^ Losing, Viktor; Hammer, Barbara; Wersing, Heiko (2017). "Řešení heterogenního konceptu driftu pomocí Self-Adjusting Memory (SAM)". Znalostní a informační systémy. 54: 171–201. doi:10.1007 / s10115-017-1137-r. ISSN  0885-6125.
  4. ^ Přečtěte si, Jesse; Bifet, Albert; Holmes, Geoff; Pfahringer, Bernhard (2012). "Škálovatelná a efektivní klasifikace více štítků pro vývoj datových toků". Strojové učení. 88 (1–2): 243–272. doi:10.1007 / s10994-012-5279-6. ISSN  0885-6125.
  5. ^ Zliobaite, Indre; Bifet, Albert; Pfahringer, Bernhard; Holmes, Geoffrey (2014). "Aktivní učení s driftováním streamovaných dat". Transakce IEEE na neuronových sítích a vzdělávacích systémech. 25 (1): 27–39. doi:10.1109 / TNNLS.2012.2236570. ISSN  2162-237X.
  6. ^ Ikonomovská, Elena; Gama, João; Džeroski, Sašo (2010). „Učení modelových stromů z vývoje datových proudů“ (PDF). Těžba dat a vyhledávání znalostí. 23 (1): 128–168. doi:10.1007 / s10618-010-0201-r. ISSN  1384-5810.
  7. ^ Almeida, Ezilda; Ferreira, Carlos; Gama, João (2013). "Pravidla adaptivního modelu z datových toků". Pokročilé inženýrství informačních systémů. Přednášky z informatiky. 8188. 480–492. CiteSeerX  10.1.1.638.5472. doi:10.1007/978-3-642-40988-2_31. ISBN  978-3-642-38708-1. ISSN  0302-9743.
  8. ^ Kranen, Philipp; Kremer, Hardy; Jansen, Timm; Seidl, Thomas; Bifet, Albert; Holmes, Geoff; Pfahringer, Bernhard (2010). „Výkon shlukování při vývoji datových toků: hodnocení algoritmů a hodnotících opatření v rámci MOA“. Mezinárodní konference IEEE 2010 o seminářích o dolování dat. 1400–1403. doi:10.1109 / ICDMW.2010.17. ISBN  978-1-4244-9244-2.
  9. ^ Georgiadis, Dimitrios; Kontaki, Maria; Gounaris, Anastasios; Papadopoulos, Apostolos N .; Tsichlas, Kostas; Manolopoulos, Yannis (2013). "Průběžná detekce odlehlých hodnot v datových tocích". Sborník mezinárodní konference 2013 o správě dat - SIGMOD '13. str. 1061. doi:10.1145/2463676.2463691. ISBN  9781450320375.
  10. ^ Souhlas, Ira; Kranen, Philipp; Baldauf, Corinna; Seidl, Thomas (2012). Msgstr "AnyOut: Detekce kdykoli odlehlého proudu při streamování dat". Databázové systémy pro pokročilé aplikace. Přednášky z informatiky. 7238. str. 228–242. doi:10.1007/978-3-642-29038-1_18. ISBN  978-3-642-29037-4. ISSN  0302-9743.
  11. ^ Quadrana, Massimo; Bifet, Albert; Gavaldà, Ricard (2013). "Efektivní uzavřený kmitočet pro těžařský systém MOA Stream". Hranice v umělé inteligenci a aplikacích. 256 (Výzkum a vývoj umělé inteligence): 203. doi:10.3233/978-1-61499-320-9-203.
  12. ^ Bifet, Albert; Holmes, Geoff; Pfahringer, Bernhard; Gavaldà, Ricard (2011). "Těžba častých uzavřených grafů o vývoji datových toků". Sborník ze 17. mezinárodní konference ACM SIGKDD o získávání znalostí a dolování dat - KDD '11. str. 591. CiteSeerX  10.1.1.297.1721. doi:10.1145/2020408.2020501. ISBN  9781450308137.
  13. ^ Bifet, Albert; Přečtěte si, Jesse; Pfahringer, Bernhard; Holmes, Geoff; Žliobaitė, Indrė (2013). „CD-MOA: Change Detection Framework for Massive Online Analysis“. Pokroky v inteligentní analýze dat XII. Přednášky z informatiky. 8207. str. 92–103. doi:10.1007/978-3-642-41398-8_9. ISBN  978-3-642-41397-1. ISSN  0302-9743.

externí odkazy