ชี้แจง - ถัว เฉลี่ยเคลื่อนที่ แผนภูมิ สำหรับ การตรวจสอบ แนวคิด - ดริฟท์

ชี้แจง - ถัว เฉลี่ยเคลื่อนที่ แผนภูมิ สำหรับ การตรวจสอบ แนวคิด - ดริฟท์

พนักงาน สต็อก ตัวเลือก ทุน กำไร
Fx- ตัวเลือก   NASDAQ
BCD -forex- เงินลงทุน   LLC


FNB -forex- อัตราแลกเปลี่ยน ประวัติศาสตร์ Bollinger วง วัน ซื้อขาย ที่ดีที่สุด หนังสือ -on -trading- กลยุทธ์ Forex- จำกัด - MT4 Bollinger วง นอก บาร์ พนักงาน สต็อก ตัวเลือก adalah

แผนภูมิการเคลื่อนที่แบบถ่วงน้ำหนักแบบลั่นชองเป็นเส้นสมมุติฐานสำหรับการตรวจค้นดริฟท์แนวคิดการจำแนกข้อมูลสตรีมมิ่งต้องมีการพัฒนาวิธีการที่มีประสิทธิภาพเชิงคำนวณและสามารถรับมือกับการเปลี่ยนแปลงการกระจายตัวของกระแสซึ่งเป็นปรากฏการณ์ที่เรียกได้ว่าเป็นแนวคิดลอย เราเสนอวิธีการใหม่ในการตรวจจับการลอยลำแนวคิดซึ่งใช้แผนภูมิ EWMA (Weighted Average Moved Average) ที่มีการถ่วงน้ำหนักเพื่อระบุอัตราการจำแนกประเภทของการจำแนกประเภทสตรีมมิ่ง วิธีการของเราเป็นแบบแยกส่วนและสามารถทำงานควบคู่ไปกับตัวจำแนกประเภทต่างๆเพื่อให้มีการตรวจจับล่องลอยแนวคิดเพิ่มเติม นอกจากนี้วิธีการของเรามีประสิทธิภาพในเชิงคำนวณด้วยค่า O (1) และทำงานได้อย่างเต็มที่ทางออนไลน์โดยไม่จำเป็นต้องเก็บจุดข้อมูลไว้ในหน่วยความจำ วิธีการของเราช่วยให้อัตราการตรวจจับค่าผิดพลาดในทางบวกถูกควบคุมและคงที่ตลอดเวลา ไฮไลต์เรานำเสนออัลกอริธึมการตรวจสอบการลอยตัวแนวคิดเดียวที่มีประสิทธิภาพและมีประสิทธิภาพ เหมาะสำหรับการใช้งานกับข้อมูลที่มีความถี่สูง อนุญาตให้มีการควบคุมอัตราการตรวจจับที่ผิดพลาดซึ่งแตกต่างจากวิธีการที่มีอยู่ การทดลองทั้งข้อมูลจริงและข้อมูลสังเคราะห์แสดงให้เห็นถึงผลกระตุ้น การจำแนกสตรีมมิ่งการจำแนกสตรีมมิ่งแนวคิดการค้นพบการเปลี่ยนแปลงการตรวจพบการจัดส่งข้อมูลไปยัง arXiv arXiv.org gt stat gt arXiv: 1212.6018 สถิติการเรียนรู้เครื่องจักร: Title: Weighted Moving Average Charts for Drinking Drift (Submitted on 25 Dec 2012) บทคัดย่อ: การจำแนกข้อมูลสตรีมมิ่งต้องมีการพัฒนาวิธีการต่างๆ มีประสิทธิภาพเชิงคำนวณและสามารถรับมือกับการเปลี่ยนแปลงการกระจายตัวของกระแสซึ่งเป็นปรากฏการณ์ที่เป็นที่รู้จักในวรรณคดีในขณะที่ลอยลำแนวคิด เราเสนอวิธีการใหม่ในการตรวจจับการลอยลำแนวคิดซึ่งใช้กราฟการถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบเสิย (Exponentially Weighted Moving Average - EWMA) เพื่อตรวจสอบอัตราการจำแนกประเภทของการแบ่งประเภทสตรีมมิ่ง วิธีการของเราเป็นแบบแยกส่วนและสามารถทำงานควบคู่ไปกับตัวจำแนกประเภทต่างๆเพื่อให้มีการตรวจจับล่องลอยแนวคิดเพิ่มเติม นอกจากนี้วิธีการของเรามีประสิทธิภาพในเชิงคำนวณด้วยค่า O (1) และทำงานได้อย่างเต็มที่ทางออนไลน์โดยไม่จำเป็นต้องเก็บจุดข้อมูลไว้ในหน่วยความจำ วิธีการของเราช่วยให้อัตราการตรวจจับค่าผิดพลาดในทางบวกถูกควบคุมและคงที่ตลอดเวลา การเรียนรู้ด้วยเครื่อง (stat.ML) การเรียนรู้ (cs.LG) Applications (stat.AP) ในหน้านี้เราจัดเตรียมเครื่องจำแนกประเภทข้อมูลทั้งหมดที่ออกแบบมาเพื่อรับมือกับแนวคิด drifts (เรียนรู้ NSE, Dynamic Weighting Mostity, Ensemble Building และ RCD) ), เครื่องตรวจจับล่องลอยแบบแนวคิด (คู่ผู้เรียน ECDD และ PHT) และชุดข้อมูล (ไซน์และผสม) พารามิเตอร์และเอกสารที่เกี่ยวข้องได้อธิบายไว้ด้านล่าง เอกสารในการใช้ส่วนขยายนี้คุณต้องดาวน์โหลด moa.jar และ sizeofag.jar ที่เว็บไซต์ MOA framework จากนั้นเพิ่มไฟล์ JAR ด้านล่างใน classpath เมื่อเปิดตัว MOA ตัวอย่างเช่นใน Linux: java -cp EnsembleClassifiers.jar: moa.jar: weka.jar -javaagent: sizeofag.jar moa.gui.GUI ไฟล์ JAR มีไฟล์ระดับชั้นที่ใช้ตัวแบ่งประเภทแต่ละตัว อีกทางเลือกหนึ่งคือการขยาย moa.jar รวมถึงไฟล์ต้นฉบับในแพคเกจ moa.classifiers และ recompilation MOA ระดมความคิดที่เกิดซ้ำ (RCD) เป็นกรอบที่พัฒนาขึ้นเพื่อจัดการกับบริบทที่เกิดขึ้นใหม่ หลังจากที่ระบุแนวความคิดโดยใช้วิธีการตรวจค้นแบบลอยตัวจะใช้การทดสอบทางสถิติหลายตัวแปรที่ไม่ใช่พารามิเตอร์เพื่อตรวจสอบว่าบริบทเป็นแบบใหม่หรือแบบเก่าที่เกิดขึ้นอีกครั้ง พารามิเตอร์ที่ใช้ใน RCD มีดังต่อไปนี้: -l: พื้นฐานผู้เรียน -b: ขนาดบัฟเฟอร์ เป็นตัวอย่างของบริบทที่เกิดขึ้นจริงและที่จัดเก็บไว้และจะถูกใช้โดยการทดสอบเชิงสถิติเพื่อระบุบริบทที่เกิดขึ้นอีกครั้ง -t: ทดสอบความถี่ ในขั้นตอนการทดสอบเป็นอัตราการทดสอบทางสถิติเพื่อให้ผู้จัดจำแนกประเภทปัจจุบันมีบริบทถูกต้อง -d: ใช้วิธีตรวจจับแบบ Drift -a: การทดสอบทางสถิติที่จะใช้ -s: ความคล้ายคลึงกันระหว่างเปอร์เซ็นต์การแจกแจง (p-value) ต่ำสุด -c: จำนวนสูงสุดของตัวจัดแบ่งประเภทเพื่อจัดเก็บ -m: ขนาดสระด้ายระบุจำนวนการทดสอบพร้อม ๆ กัน Paulo Mauricio Gonalves จูเนียร์และ Roberto Souto Maior de Barros RCD: แนวคิด Drift แนวคิดที่เกิดซ้ำ ตัวรับรู้รูปแบบ 34 (9), หน้า 1018-1025, 2013. Elsevier URL dx.doi.org10.1016j.patrec.2013.02.005 เครื่องจำแนกชุดสิ่งประดิษฐ์ที่เหมาะสำหรับการจัดการกับแนวความคิดที่เกิดขึ้นซ้ำ พารามิเตอร์คือ: -l: ผู้เรียนพื้นฐาน -e: ข้อผิดพลาดที่ได้รับอนุญาต -a: ปัจจัยการยอมรับ -c: ขนาดก้อน -r: จำนวนตัวจำแนกสูงสุดที่จะเก็บและเลือกจากเมื่อสร้างชุดข้อมูล n- จำนวนตัวลักษณนามสูงสุดในวงดนตรี อ้างอิง Sasthakumar Ramamurthy และ Raj Bhatnagar การติดตามแนวคิดที่เกิดซ้ำในส่วนข้อมูลสตรีมมิ่งโดยใช้ Classifier แบบวง ในการประชุมนานาชาติเรื่องการเรียนรู้และการใช้เครื่องจักรครั้งที่ 6, หน้า 404-409, 2007 URL dx.doi.org10.1109ICMLA.2007.80 Dynamic Majority Weighted (รวมอยู่ใน MOA) พารามิเตอร์ที่มีอยู่สำหรับตัวจําแนกประเภทนี้คือค่าที่ระบุไว้ในเอกสารที่อ้างอิง: -l: ผู้เรียนพื้นฐาน -p: ระยะเวลาระหว่างการกำจัดผู้เชี่ยวชาญการสร้างและการอัปโหลดน้ำหนัก -b: ปัจจัยที่จะลงโทษความผิดพลาดของตัวแบ่งประเภท -g: เศษส่วนต่ำสุดของน้ำหนักต่อเครื่องจำแนกประเภท อ้างอิง Jeremy Zico Kolter และ Marcus A. Maloof การใช้กลุ่มผู้ชำนาญพิเศษเพื่อรับมือกับแนวคิดลอยลำ ในรายงานการประชุมวิชาการระดับนานาชาติด้านการเรียนรู้เครื่องจักรครั้งที่ 22, ICML 05, หน้า 449-456, New York, NY, USA, 2005. ACM ไอ 1-59593-180-5 URL doi.acm.org10.11451102351.1102408 Jeremy Zico Kolter และ Marcus A. Maloof ส่วนที่ถ่วงน้ำหนักแบบไดนามิก: วิธีการรวมกันสำหรับแนวคิดแบบลอยตัว วารสารการวิจัยการเรียนรู้เครื่องจักร 8: 2755-2790, ธันวาคม 2550 ISSN 1532-4435 URL dl.acm.orgcitation.cfmid1314498.1390333 Learn.NSE (รวมอยู่ใน MOA) พารามิเตอร์ที่มีสำหรับตัวจำแนกประเภทนี้คือพารามิเตอร์ที่ระบุไว้ในเอกสารที่อ้างอิง: -l: ผู้เรียนพื้นฐาน -p: ขนาดของสภาพแวดล้อม หลังจากสร้างตัวจำแนกประเภทใหม่แล้วจะมีกี่ตัว -a: ความชันของฟังก์ชัน sigmoid ที่ควบคุมจำนวนรอบของช่วงก่อนหน้าที่นำมาพิจารณาระหว่างการชั่งน้ำหนัก -b: จุดกึ่งกลางของฟังก์ชัน sigmoid ที่ควบคุมจำนวนรอบของช่วงก่อนหน้าที่นำมาพิจารณาระหว่างการชั่งน้ำหนัก -s: การแบ่งหมวดหมู่การตัดแต่งกลยุทธ์ที่จะใช้ (NO: ไม่มีการตัดแต่งกิ่งอายุ: อายุตาม ERROR: ข้อผิดพลาดตาม) -e: มีขนาดสูงสุด อ้างอิง Matthew Karnick, Metin Ahiskali, Michael D. Muhlbaier และ Robi Polikar แนวคิดการเรียนรู้ล่องลอยในสภาพแวดล้อมที่ไม่หยุดนิ่งโดยใช้ชุดอักขระที่คัดแยกตาม ap-proach ใน IEEE International Conference เกี่ยวกับโครงข่ายประสาทเทียม (IEEE World Congress on Computational Intelligence), IJCNN 08, หน้า 3455-3462, มิถุนายน 2008a URL dx.doi.org10.1109IJCNN.2008.4634290 Matthew Karnick, Michael D. Muhlbaier และ Robi Polikar การเรียนรู้ที่เพิ่มขึ้นในสภาพแวดล้อมที่ไม่หยุดนิ่งกับการลอยลำแนวคิดโดยใช้วิธีการจัดชั้นหลายแบบ ในการประชุมนานาชาติครั้งที่ 19 เรื่องการรับรู้รูปแบบ, ICPR 08, หน้า 1-4, ธันวาคม 2551b URL dx.doi.org10.1109ICPR.2008.4761062 Michael Muhlbaier และ Robi Polikar วิธีการรวมกันสำหรับการเรียนรู้ที่เพิ่มขึ้นในสภาพแวดล้อมที่ไม่หยุดนิ่ง ใน Michal Haindl, Josef Kittler และ Fabio Roli บรรณาธิการระบบจำแนกประเภทหลายเล่มเล่ม 4472 จาก Notes บรรยายในวิทยาการคอมพิวเตอร์หน้า 490-500 Springer Berlin Heidelberg, 2007. ISBN 978-3-540-72481-0. URL dx.doi.org10.1007978-3-540-72523-749 Ryan Elwell และ Robi Polikar การเรียนรู้ที่เพิ่มขึ้นของการลอยลำแนวคิดในสภาพแวดล้อมที่ไม่หยุดนิ่ง รายการ IEEE เกี่ยวกับโครงข่ายประสาทเทียม, 22 (10): 1517-1531, ตุลาคม 2554 ISSN 1045-9227 URL dx.doi.org10.1109TNN.2011.2160459 R. Elwell และ R. Polikar การเรียนรู้ที่เพิ่มขึ้นในสภาพแวดล้อมที่ไม่หยุดชะงักด้วยการลืมเลือนแบบควบคุม ใน IEEE International Conference เกี่ยวกับโครงข่ายประสาทเทียม IJCNN 09, หน้า 771-778, Los Alamitos, CA, USA, June 2009b สมาคมคอมพิวเตอร์ IEEE URL dx.doi.org10.1109IJCNN.2009.5178779 เครื่องตรวจจับ Drift แนวคิด Drift detection method แบบเสมือนที่ใช้การทดสอบทางสถิติแบบไม่อิงพารามิเตอร์หลายตัวแปร พารามิเตอร์คือ: -t: การทดสอบทางสถิติเพื่อใช้ -s: ขนาดหน้าต่าง -w: เกณฑ์คำเตือน -d: เปลี่ยนระดับ วิธีการตรวจจับ Drift เพื่อระบุการเปลี่ยนแปลงความน่าจะเป็นก่อนของชั้นเรียน ใช้การทดสอบทางสถิติแบบไม่แปรพหุตัวแปรหลายตัวแปร พารามิเตอร์คือ: -t: การทดสอบทางสถิติเพื่อใช้ -s: ขนาดหน้าต่าง -w: เกณฑ์คำเตือน -d: เปลี่ยนระดับ ECDD (รวมอยู่ใน MOA แล้ว) EWMA สำหรับการตรวจวัดความเบี่ยงเบนของแนวคิด (ECDD) เป็นเครื่องตรวจจับแบบลอยซึ่งใช้แผนภูมิ EWMA (Weighted moving average) ซึ่งมีการคำนวณหาความถี่ในการจำแนกประเภท สามารถใช้ได้เช่น DDM และ EDDM ในคลาส SingleClassifierDrift พารามิเตอร์คือ: -a: ระยะเวลาในการวิ่งเฉลี่ย แจ้งอัตราการเตือนภัยทางบวกที่ผิดพลาดต่อจุดข้อมูล -m: ควบคุมน้ำหนักให้กับข้อมูลล่าสุดเมื่อเทียบกับข้อมูลที่เก่ากว่า ค่าที่น้อยกว่าหมายถึงน้ำหนักที่น้อยกว่าที่ให้กับข้อมูลล่าสุด -w: เกณฑ์คำเตือน กอร์ดอนเจรอส, Niall M. Adams, Dimitris K. Tasoulis และ David J. Hand แผนภูมิเฉลี่ยถ่วงน้ำหนักที่เป็นรูปธรรมเพื่อคำนวณแนวล่องลอยแนวคิด Letter Recognition Letters, 33, หน้า 191-198, 2012. Elsevier. URL dx.doi.org10.1016j.patrec.2011.08.019 ผู้เรียนที่จับคู่ (รวมอยู่ใน MOA) เครื่องลักษณนามและเครื่องตรวจจับแบบลอย สร้างตัวจำแนกสองตัว: มีเสถียรภาพและมีปฏิกิริยา คนแรกมีหน้าที่รับผิดชอบในการแสดงแนวคิดที่มีเสถียรภาพที่แท้จริงในขณะที่คนที่ตอบสนองได้รับการฝึกฝนเกี่ยวกับข้อมูลล่าสุด ถ้าความถูกต้องของปฏิกิริยาสูงกว่าค่าคงที่หมายความว่าแนวคิดเปลี่ยนไป เครื่องจำแนกประเภทที่มีเสถียรภาพถูกแทนที่โดยปฏิกิริยาและปฏิกิริยาจะถูกรีเซ็ต พารามิเตอร์ของมันคือ: -s: ผู้เรียนมีเสถียรภาพ -r: ผู้ที่มีปฏิกิริยาตอบสนอง -w: ขนาดของหน้าต่างสำหรับผู้เรียนที่มีปฏิกิริยา -t: Threashold สำหรับการสร้างผู้เรียนที่มีเสถียรภาพใหม่ Stephen H. Bach และ Marcus A. Maloof ผู้เรียนที่เข้าร่วมการฝึกอบรม Concept Drift ในการประชุม IEEE ครั้งที่ 8 ในการทำเหมืองข้อมูลหน้า 23-32, 2008 URL dx.doi.org10.1109ICDM.2008.119 PHT (รวมอยู่ใน MOA) การทดสอบ Page-Hinkley (PHT) เป็นเทคนิคการวิเคราะห์ตามลำดับซึ่งใช้สำหรับตรวจสอบการตรวจหาการเปลี่ยนแปลงโดยเฉลี่ยของสัญญาณแบบ Gaussian สามารถใช้ได้เช่น DDM และ EDDM ในคลาส SingleClassifierDrift พารามิเตอร์คือ: -d: เกณฑ์การตรวจจับ -w: เกณฑ์คำเตือน -m: threshold ขนาด วิธีการ DoF ตรวจจับ drifts โดยการประมวลผลข้อมูลข้อมูลตามก้อนโดยการคำนวณเพื่อนบ้านที่ใกล้ที่สุดในชุดก่อนหน้าสำหรับแต่ละอินสแตนซ์ในชุดปัจจุบันและเปรียบเทียบป้ายกำกับที่ตรงกัน สร้างแผนที่ระยะทางเชื่อมโยงดัชนีของอินสแตนซ์ในชุดก่อนหน้าและป้ายกำกับที่คำนวณโดยเพื่อนบ้านที่ใกล้ที่สุด มีการคำนวณเมตริกที่ชื่อว่าระดับการลอยตัวตามแผนที่ระยะทาง ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของทุกองศาของการดริฟท์จะคำนวณและหากค่าปัจจุบันอยู่ห่างจากค่าเฉลี่ยมากกว่าค่าเบี่ยงเบนมาตรฐาน s จะมีการยกความคิดขึ้น พารามิเตอร์คือ: -w: ขนาดหน้าต่างของแต่ละอันข้อมูล -s: จำนวนเบี่ยงเบนมาตรฐานเพื่อตรวจจับรอก การอ้างอิง Parinaz Sobhani และ Hamid Beigy: วิธีการตรวจหา Drift ใหม่สำหรับสตรีมข้อมูล ระบบปรับตัวและอัจฉริยะ, 2011: เล่ม 6943, หน้า 88-97 URL dx.doi.org10.1007978-3-642-23857-412 STEPD (รวมอยู่ใน MOA แล้ว) STEPD คำนวณความถูกต้องของผู้เรียนพื้นฐานในกรณีล่าสุด W และเปรียบเทียบความถูกต้องโดยรวมตั้งแต่เริ่มกระบวนการเรียนรู้ พารามิเตอร์คือ: -d: ระดับความสำคัญสำหรับการลอยตัว -m: ระดับความสำคัญสำหรับการเตือน การอ้างอิง Kyosuke Nishida และ Koichiro Yamauchi: การตรวจสอบ Drift แนวคิดโดยใช้การทดสอบทางสถิติ Discovery Science 2007: 264-269 URL dx.doi.org10.1007978-3-540-75488-627 ข้อมูลข้อมูลประดิษฐ์ชุดข้อมูลนี้ได้อธิบายไว้ใน Sobolewski และ Wozniak (2013) ใช้เพื่อจำลองการเลื่อนแนวคิดแบบเสมือนจริงด้วยการสร้างแอตทริบิวต์ตามข้อมูล gaussian และแนวคิด drifts โดยการเปลี่ยนค่าเฉลี่ยเป็น 5.0 พารามิเตอร์ของมันคือ: -i: เมล็ดพันธุ์สำหรับการสร้างอินสแตนซ์แบบสุ่ม -n: จำนวนแอ็ตทริบิวต์ที่จะสร้างขึ้น -d: จำนวนแอตทริบิวต์ที่มีแนวคิดลอยอยู่ -c: คลาสที่เชื่อมโยงกับแต่ละอินสแตนซ์ P. Sobolewski และ M. Wozniak, การเปรียบเทียบการทดสอบทางสถิติสำหรับการค้นพบ Drift Drift แนวคิด ไฮเดลเบิร์ก: Springer International Publishing, 2013, หน้า 329337 ออนไลน์ พร้อมใช้งาน: dx.doi.org10.1007978-3-319-00969-832 ชุดข้อมูลนี้จำลองการเลื่อนแนวคิดเสมือนโดยการเปลี่ยนตำแหน่งของสี่แวดวง พารามิเตอร์ของมันคือ: -i: เมล็ดพันธุ์สำหรับการสร้างอินสแตนซ์แบบสุ่ม -f: ฟังก์ชันที่อธิบายตำแหน่งของแวดวง -n: เปอร์เซ็นต์ของเสียงรบกวน -s: ลดข้อมูลให้มีเพียง 2 แอตทริบิวต์ตัวเลขที่เกี่ยวข้องเท่านั้น -b: จำนวนแอ็ตทริบิวต์ที่ไม่เกี่ยวข้อง Sine (รวมอยู่ใน MOA) ชุดข้อมูลนี้สามารถใช้เพื่อสร้าง Sine สี่รุ่นที่นำเสนอใน Gama et al. (2004) สองรุ่นใน Baena-Garca et al. (2006) พารามิเตอร์จะขึ้นอยู่กับเอกสารที่ใช้ชุดข้อมูลนี้: -i: เมล็ดพันธุ์สำหรับการสร้างอินสแตนซ์แบบสุ่ม -f: ใช้ฟังก์ชันจำแนกประเภท (1 ถึง 4) หนึ่ง (1) คือการกลับรายการของสอง (2) และสาม (3) คือการกลับรายการสี่ (4) -s: ลดข้อมูลให้มีเพียง 2 แอตทริบิวต์ตัวเลขที่เกี่ยวข้องเท่านั้น มิฉะนั้นจะมีการสร้างแอตทริบิวต์ที่ไม่เกี่ยวข้องสองอย่าง -b: เพิ่มจำนวนอินสแตนซ์ของแต่ละคลาส Joo Gama, Pedro Medas, Gladys Castillo และ Pedro Pereira Rodrigues การเรียนรู้ด้วย Drift Detection ใน Bazzan, Ana L. C. และ Labidi, Sofiane, บรรณาธิการ, ความก้าวหน้าในปัญญาประดิษฐ์ - SBIA 2004, 3171 ปริมาณของบันทึกการบรรยายในวิทยาการคอมพิวเตอร์, หน้า 286-295 Springer Berlin Heidelberg, 2004 ISBN 978-3-540-23237-7 URL dx.doi.org10.1007978-3-540-28645-529 Manuel Baena-Garca, Jos del Campo-Vila, Raul Fidalgo, Albert Bifet, Ricard Gavald และ Rafael Morales-Bueno ใน: ECML PKDD 2006 การประชุมเชิงปฏิบัติการเรื่องการค้นพบความรู้จากสตรีมข้อมูล 18 Set 2006. Berlin, Germany. URL eprints.pascal-network.orgarchive00002509 Mixed (รวมอยู่ใน MOA) ชุดข้อมูลนี้สามารถใช้เพื่อสร้างเวอร์ชันที่นำเสนอใน Gama et al. (2004) และ Baena-Garca et al. (2006) พารามิเตอร์จะขึ้นอยู่กับเอกสารที่ใช้ชุดข้อมูลนี้: -i: เมล็ดพันธุ์สำหรับการสร้างอินสแตนซ์แบบสุ่ม -f: ฟังก์ชันการจัดหมวดหมู่ที่ใช้ (1 และ 2) ซึ่งหนึ่ง (1) คือการกลับรายการของสอง (2) -b: เพิ่มจำนวนอินสแตนซ์ของแต่ละคลาส Joo Gama, Pedro Medas, Gladys Castillo และ Pedro Pereira Rodrigues การเรียนรู้ด้วย Drift Detection ใน Bazzan, Ana L. C. และ Labidi, Sofiane, บรรณาธิการ, ความก้าวหน้าในปัญญาประดิษฐ์ - SBIA 2004, 3171 ปริมาณของบันทึกการบรรยายในวิทยาการคอมพิวเตอร์, หน้า 286-295 Springer Berlin Heidelberg, 2004 ISBN 978-3-540-23237-7 URL dx.doi.org10.1007978-3-540-28645-529 Manuel Baena-Garca, Jos del Campo-Vila, Raul Fidalgo, Albert Bifet, Ricard Gavald และ Rafael Morales-Bueno ใน: ECML PKDD 2006 การประชุมเชิงปฏิบัติการเรื่องการค้นพบความรู้จากสตรีมข้อมูล 18 Set 2006. Berlin, Germany. URL eprints.pascal-network.orgarchive00002509 ความเห็นข้อเสนอแนะการปรับปรุงการแก้ไขเป็นที่ชื่นชมอย่างมาก paulomgj ที่ gmail dot com
Forex- Fiscalite
Forex- กลยุทธ์ ถลกหนัง