یادگیری برخط داده های جریانی نامتوازن دارای رانش مفهوم توسط نظریه باور و تابع آشوب

در گذر زمان خصوصیات داده های جریانی ناپایدار بوده و توزیع طبقات متحمل تغییرات می گردند بنابراین مدل های یادگیری غالبا نیاز به تطبیق با رانش مفاهیم دارند. در این مقاله، با هدف حل دو چالش عدم توازن میان طبقات مشاهده شده و وقوع رانش مفهوم، طبقه بند داده های جریانی نامتوازن دارای رانش مفهوم ارائه شده است. روش پیشنهادی سعی در حذف داده های جریانی مرزی و نویزی با کمک خوشه بندی دارد. داده ها با کمک تابع باور وزن دهی شده و با در نظر گرفتن برچسب داده ها، نمونه افزایی در نواحی کم تراکم طبقه اقلیت و با رویکرد آشوبی انجام می گیرد. سپس، با تعریف حد آستانه، رانش مفهوم شناسایی می شود. پیش بینی برچسب توسط طبقه بند ترکیبی و رای گیری وزن دار اکثریت انجام می پذیرد. عملکرد روش پیشنهادی بر روی مجموعه داده های پایگاه داده UCI توسط روش LOO ارزیابی و با طبقه بندهای مرز دانش مقایسه شده است. نتایج آزمایش ها نشان دهنده برتری روش پیشنهادی از نظر معیارهای ارزیابی است.