Métodos Ensemble Online para Classificação Binária

• Arthur G. Soares UFMT
• Thiago P. da Silva UFMT

DOI: https://doi.org/10.5753/eri-mt.2024.245856

Resumo

Em Big Data, a análise de grandes volumes de dados em tempo real é crucial para obter insights rapidamente. A classificação de dados é desafiadora, mas o aprendizado de máquina online oferece uma solução mais eficaz para lidar com mudanças contínuas em comparação aos métodos tradicionais de aprendizado em lote. Este trabalho propõe quatro métodos ensemble para classificação binária de fluxos de dados online, combinando modelos heterogêneos de aprendizado de máquina. Experimentos em oito datasets demonstraram a viabilidade e o potencial desses métodos.

Referências

BASILI, V. R., CALDIERA, G., and RAMBACH, H. D. (1998). The goal question metric approach. Encyclopedia of software engineering., pages 528–532.

GOMES, H. M., BARDDAL, J. P., ENEMBREACK, F., and BIFET, A. (2017). A Survey on Ensemble Learning for Data Stream Classification. Association for Computing Machinery, pages 1–10.

KRAWCZYK, B., MINKU, L. L., GAMA, J., STEFANOWSKI, J., and WOZNIAK, M. (2017). Ensemble learning for data stream analysis: A survey. Information Fusion, pages 2–3, 133.

PEREIRA, L. F. and ROSSI, R. G. (2021). Estudo de técnicas de Ensemble para classificação binária. Universidade Federal de Mato Grosso do Sul, pages 1–2, 17.

SARKA, D., BALI, R., and SHARMA, T. (2018.). Practical Machine Learning with Python. ed. Apress.

SILVA, T. P., BATISTA, T. V., DELICATO, F. C., and PIRES, P. F. (2023). An Online Ensemble Method for Auto-Scaling NFV-based Applications in the Edge. Cluster Computing, pages 2–13.