TY  - RPRT
T1  - Verbesserung des Patching Algorithmus durch Adaptive Windowing Techniken
A1  - Burbach, Raphael
Y1  - 2018
M1  - Bachelor Thesis
T2  - TU Darmstadt
KW  - Concept Drift Adaptation
KW  - Patching
N2  - Diese Arbeit beschäftigt sich mit der Verbesserung des Patching-Algorithmus, um den Klassifizierer an auftretende
Veränderungen durch einen Concept Drift in den Daten schneller anpassen zu können. Ein Concept Drift ist eine signifikante
Veränderung in der Verteilung oder Beschaffenheit der ankommenden Daten. Gewöhnliche Klassifizierer
verlieren unter dem Einfluss eines Concept Drifts in den Daten an Performance. Daher muss bei Datenströmen, die
einen Concept Drift enthalten bei diesen Klassifizierern ein Modell neu gelernt werden.
Bei Klassifizierungsproblemen mit einem kontinuierlichen Strom an Daten kann es zu einem Concept Drift kommen.
Der Patching-Algorithmus löst dieses Problem, in dem das zuvor gelernte Modell bei Auftreten eines Concept
Drifts nicht verworfen wird. Nach einem Concept Drift werden Regionen im Instance Space erkannt, in denen sich
die Performance des Basisklassifizierers verschlechtert hat. Auf diesen Fehlerregionen wird ein neuer Klassifizierer
trainiert. Der neue Klassifizierer wird mit dem Basisklassifizierer kombiniert, in dem der Basisklassifizierer nur die
Instanzen klassifiziert, die nicht in den Fehlerregionen liegen. Alle anderen Instanzen werden durch den neu gelernten
Klassifizierer klassifiziert, der Patch genannt wird. Dadurch können die Informationen aus dem ursprünglich
gelernten Klassifizierer weiter genutzt werden. Zur Erkennung der Concept Drifts wird der ADWIN-Algorithmus
verwendet.
Man kommt zu dem Ergebnis, dass die Klassifizierungsgenauigkeit des Patching-Algorithmus durch die oben
vorgestellten Erweiterungen erhöht werden kann. Parallel dazu kann zudem häufig die Laufzeit reduziert werden.
ER  -