یادگیری برخط در فضای ویژگی پویا

امروزه غالب فعالیت های روزمره انسان بر بستر وب انجام می شود. سرعت و حجم بالای تولید داده در وب، استفاده از الگوریتم های برخط یادگیری ماشین در پردازش و تحلیل جویبارداده را بسیار کارآمد جلوه داده است . بسیاری از این الگوریتم ها با فرض ثابت بودن فضای ویژگی ارائه شدهاند؛ اما در مسائل دنیای واقعی ممکن است چنین فرضی رعایت نشود و هر نمونه از جویبارداده ویژگی های متفاوتی داشته باشد. در این پژوهش ، این مسئله جدید که اخیرا توجه زیادی را به خود جلب کرده است بررسی می شود . همچنین یک الگوریتم عمومی نوین برای طبقه بندی جویبارداده ارائه می شود که با کشف روابط بین ویژگی ها و تخمین مقادیر مربوط به ویژگی های ناموجود، از حداکثر پتانسیل طبقه بند در پیش بینی بهرهبرداری می کند . درنهایت با انجام آزمایش های تجربی و مقایسه نتایج آن با دو مورد از الگوریتم های اخیر، نشان داده می شود که الگوریتم ارائه شده دقت بالاتری دارد .

Keywords:

یادگیری برخط , طبقه بندی جویبارداده , تحول ویژگی , الگوریتم