Die Klassifizierung von Streaming-Daten erfordert die Entwicklung von Methoden, die rechnerisch effizient und in der Lage, mit Veränderungen in den zugrunde liegenden zu bewältigen sind Verteilung des Stroms, ein Phänomen, das in der Literatur als Konzeptdrift bekannt ist. Wir schlagen eine neue Methode zur Erkennung von Konzeptdrift vor, die ein EWMA-Diagramm (Exponentially Weighted Moving Average) verwendet, um die Fehlklassifizierungsrate eines Streaming-Klassifikators zu überwachen. Unser Ansatz ist modular und kann daher parallel zu jedem zugrunde liegenden Klassifikator ausgeführt werden, um eine zusätzliche Ebene der Konzeptdrifterkennung zur Verfügung zu stellen. Darüber hinaus ist unsere Methode rechnerisch effizient mit Overhead-O (1) und arbeitet in einer voll Online-Modus ohne Notwendigkeit, Datenpunkte im Speicher zu speichern. Im Gegensatz zu vielen existierenden Ansätzen zur Konzeptdrift-Erkennung erlaubt unsere Methode, die Rate der falsch-positiven Erkennungen zu kontrollieren und konstant zu halten. Themen: Statistik - Maschinelles Lernen, Informatik - Lernen, Statistik - Anwendungen DOI-ID: 10.1016j. patrec.2011.08 .019 OAI-Identifikator: oai: arXiv. org: 1212.6018Exponentiell gewichtete gleitende Durchschnittsdiagramme für die Erkennung von Konzeptdrift Die Klassifizierung von Streaming-Daten erfordert die Entwicklung von Methoden, die rechnerisch effizient sind und mit Veränderungen in der zugrunde liegenden Verteilung des Stroms, einem bekannten Phänomen, fertig werden können In der Literatur als Konzeptdrift. Wir schlagen eine neue Methode zur Erkennung von Konzeptdrift vor, die ein exponentiell gewichtetes gleitendes Mittel (EWMA) Diagramm verwendet, um die Fehlklassifizierungsrate eines Strömungsklassifizierers zu überwachen. Unser Ansatz ist modular und kann daher parallel zu jedem zugrunde liegenden Klassifikator ausgeführt werden, um eine zusätzliche Ebene der Konzeptdrifterkennung zur Verfügung zu stellen. Darüber hinaus ist unsere Methode rechnerisch effizient mit Overhead-O (1) und arbeitet in einer voll Online-Modus ohne Notwendigkeit, Datenpunkte im Speicher zu speichern. Anders als viele existierende Ansätze zur Konzeptdrift-Erkennung erlaubt unsere Methode, die Rate der falsch-positiven Erfassungen zu kontrollieren und über die Zeit konstant zu halten. Highlights Wir präsentieren einen Single Pass und einen rechnerisch effizienten Konzept-Drift-Erkennungsalgorithmus. Geeignet für den Einsatz auf hochfrequenten Datenströmen. Ermöglicht die Kontrolle der Rate der falsch positiven Erkennungen, im Gegensatz zu bestehenden Methoden. Experimente auf realen und synthetischen Daten zeigen ermutigende Ergebnisse. Zusammenfassung Klassifizierung von Streaming-Daten erfordert die Entwicklung von Methoden, die rechenschnell und effizient sind In der Lage, mit Veränderungen in der zugrunde liegenden Verteilung des Stroms, ein Phänomen, das in der Literatur als Konzept Drift bekannt zu bewältigen. Wir schlagen eine neue Methode zur Erkennung von Konzeptdrift vor, die ein EWMA-Diagramm (Exponentially Weighted Moving Average) verwendet, um die Fehlklassifizierungsrate eines Streaming-Klassifikators zu überwachen. Unser Ansatz ist modular und kann daher parallel zu jedem zugrunde liegenden Klassifikator ausgeführt werden, um eine zusätzliche Ebene der Konzeptdrifterkennung zur Verfügung zu stellen. Darüber hinaus ist unsere Methode rechnerisch effizient mit Overhead-O (1) und arbeitet in einer voll Online-Modus ohne Notwendigkeit, Datenpunkte im Speicher zu speichern. Anders als viele existierende Ansätze zur Konzeptdrift-Erkennung erlaubt unsere Methode, die Rate der falsch-positiven Erfassungen zu kontrollieren und über die Zeit konstant zu halten. Maschinelles Lernen (stat. ML) Lernen (cs. LG) Anwendungen (stat. AP)
Bollinger Bandsreg Bollinger Bands (BB) ähneln Umschlägen. Der einzige Unterschied ist, dass die Bänder von Umschlägen einen festen Abstand () weg vom gleitenden Durchschnitt aufgetragen werden. Während die Bollinger-Banden eine bestimmte Anzahl von Standardabweichungen von ihr weg aufgetragen sind. Die Standardabweichung ist ein Maß für die Volatilität, daher passen sich die Bollinger-Bänder den Marktbedingungen an. Wenn die Märkte volatiler werden, erweitern sich die Bands und schließen sich in weniger volatilen Perioden zusammen. Bollinger Bands sind in der Regel auf der Preisliste gezeichnet, aber sie können auch die Indikator-Diagramm hinzugefügt werden. Genau wie im Fall der Umschläge. Basiert die Interpretation der Bollinger-Bänder auf der Tatsache, dass die Preise zwischen der oberen und der unteren Zeile der Bands bleiben. Eine Besonderheit des Bollinger Band Indikators ist seine variable Breite aufgrund der Volatilität der Preise. In Zeiten erheblicher Preisveränderungen (d. ...
Comments
Post a Comment