Saulo Martiello Mastelini; Sylvio Barbon Jr.; André Carlos Ponce de Leon Ferreira de Carvalho

摘要

当前机器学习面临的一个挑战是如何处理数据流中以越来越快的速度到来的数据。为了应对高吞吐量数据和概念漂移，需要新的预测学习策略。多目标回归是数据流挖掘任务之一，由于其在众多实际问题中的适用性，因此需要新的学习策略。虽然已经提出了可靠的批量多目标回归学习策略，但针对数据流中的多目标在线学习提出的策略却很少。此外，现有的大多数解决方案在进行预测时并未考虑目标之间的相关性。在这项工作中，我们提出了一种用于数据流中多目标回归的新型在线学习策略。该策略扩展了现有的在线决策树学习算法，在进行预测时探索目标间的依赖关系。为此，所提出的策略称为堆叠单目标霍夫丁树（Stacked Single-target Hoeffding Tree, SST-HT），利用目标间的依赖关系作为额外的信息源来提高预测准确性。通过广泛的实验设置，我们对我们的提案与最先进的基于决策树的在线多目标回归算法进行了评估。根据实验结果，SST-HT表现出更高的预测准确性，尽管处理时间和内存需求有小幅增加。