گسسته سازی صفت های عددی در داده های جریانی در حضور تغییر مفهوم
Abstract(in Persian; no English abstract is available)
اخیراً داده های جریانی به دلیل کاربرد در انواع مختلف داده ها از قبیل دنباله ی کلیک ها، صفحات وب، داده های حس گرهای بی سیم و غیره توجه زیادی را به خود جلب کرده است. برای کاوش در چنین داده هایی، توانایی پردازش در یک گذر از روی داده ها و با مصرف حافظه ی کم امری مهم به شمار می رود. یکی از چالش های مهم در داده های جریانی، تغییر تدریجی داده ها یا مفهوم آن با گذشت زمان است که نیاز به به روزرسانی مدل می باشد. در حال حاضر الگوریتم درخت هافدینگ، درخت تصمیمی برای داده های جریانی، در طبقه بندی این گونه داده ها مورد توجه می باشد. هدف اصلی این تحقیق بهبود عملکرد درختان هافدینگ از دو جنبه می باشد. 1) الگوریتم هافدینگ با ورودی صفات گسسته عمل می نماید، در حالی که برخی از مسائل دنیای واقعی با صفات عددی توصیف می گردند. نوآوری این تحقیق ارائه ی روشی برای گسسته سازی داده ها می باشد که با نیازمندی داده های جریانی مطابقت داشته باشد. 2) درختان هافدینگ سازگار با تغییر مفهوم در صورت مشاهده تغییر در مفهوم، زیردرختانی را گسترش می دهد و تا زمانی که این زیردرختان به اندازه کافی دقیق نگردیده اند از آن ها استفاده نمی گردد. نوآوری دیگر این تحقیق، استفاده از این درختان در پیش گویی و تلفیق آنان با درخت اصلی می باشد. ارزیابی کارآیی روش پیشنهادی توسط زبان برنامه نویسی جاوا با مجموعه داده های ساختگی و kdd98 انجام گرفت و نتایج بدست آمده برتری مدل پیشنهادی در امر کاهش خطا و دستیابی به دقت بالا تر در حضور تغییرات در داده ها و مفهوم، با حافظه ی مصرفی و زمان اجرای محدود در مقابل دیگر روش های ارائه شده در ادبیات نشان می دهد.