دانلود ترجمه مقاله دسته بندی گروه وزنی جریان های داده ای مولتی لیبل (اسپرینگر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه اسپرینگر در ۱۲ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۱۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار مقاله	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۱۲ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر و فناوری اطلاعات
گرایش های مرتبط با این مقاله	رایانش ابری، مهندسی نرم افزار و مدیریت سیستم های اطلاعات
دانشگاه تهیه کننده	دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه Jiaotong، پکن، چین
کلمات کلیدی این مقاله	چندگانه، جریان داده ای، طبقه بندی
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت Springer
نشریه اسپرینگر

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ موارد مرتبط

۳٫ اقدامات

۳-۱٫ {ML-KNN {31

۴٫ طبقه بندی گروه های وزنی

۴-۱٫ ایده ی اصلی

۴-۲٫ آموزش و به روز رسانی طبقه بندی کننده

۴-۳٫ وزن دار کردن گروهی

۴-۴٫ الگوریتم طبقه بندی

۵٫ آزمایشات

الف. کیفیت طبقه بندی در مقایسه با ML – KNN

ب) کیفیت طبقه بندی در مقایسه با {SMART {14

۶٫ نتیجه گیری

• بخشی از ترجمه:

۶٫ نتیجه گیری

این مقاله یک الگوریتم کارآمد برای طبقه بندی جریان داده ای چندگانه بر اساس ML-KNN ارائه می دهد. همانطور که خواص جریان داده ها و برچسب های متعدد به هر نمونه، اختصاص داده شده است. این مسئله بیشتر از مشکالت طبقه بندی داده های چندگانه سنتی استاتیک و مسائل طبقه بندی جریان داده یکپارچه، چالش برانگیز می شود. برای مقابله با این چالش ها، ما یک روش طبقه بندی جریان داده ای چندگانه گروهی را پیشنهاد می کنیم، مدل طبقه بندی کننده ی گروهی جریانی وزنی مبتنی بر ML-KNN (SWMEC) را برای به روز رسانی موثر مدل با جریان داده چندگانه، ارائه می دهیم. سپس مدل ما می تواند به طور موثر و کارآمد برچسب های متعدد را برای نقاط داده های آینده پیش بینی کند. نتایج تجربی در دنیای واقعی معتبرسازی شده است که رویکرد طبقه بندی جریان داده چندگانه ی ما بسیار موثر و کارآمد برای طبقه بندی جریان چندگانه است.

• بخشی از مقاله انگلیسی:

۶ Conclusion

This paper presents an efficient algorithm for multi-label data stream classification based on ML-KNN. As the properties of data stream and multiple labels assigned to each instances. It becomes more challenging than the traditional static multi-label data classification problems and single-label data stream classification problems. To address these challenges, we propose an ensemble multilabel data stream classification approach, manly Streaming Weighting ML-KNN based Ensemble Classifier (SWMEC), to efficiently update the model with the multi-label data stream flows. Then our model can effectively and efficiently predict multiple labels for future data points. The experimental results on the real world validate that our multi-label data stream classification approach is very effective and efficient for multi-label stream classification.