Aprendizaje Incremental de Reglas en Data Streams

Abstract

En este artículo presentamos FACIL, un algoritmo de aprendizaje incremental dirigido a la clasificación de data streams numéricos. Mediante un esquema de ventana múltiple y una política de generalización moderada, nuestra propuesta genera reglas de decisión cuya inconsistencia es controlada mediante ejemplos internos que indican las variaciones en las fronteras de decisión a lo largo del tiempo. Esta estrategia proporciona dos grandes ventajas: 1) evitar revisiones innecesarias del modelo cuando la función objetivo presenta cambios virtuales, con lo que se reduce notablemente el coste computacional y 2) clasificar nuevos ejemplos de test por distancia mínima mediante el vecino más cercano. Para ampliar su campo de aplicación, FACIL proporciona además dos heurísticas de olvido, una implícita basada en el vecino más cercano para modelar distribuciones estacionarias, y otra explícita basada en frecuencia - mediante un parámetro de usuario - para modelar streams sujetos a concept drift y hidden context.