Otimização de Falsos Alarmes em Detecção de Mudança de Conceito

Abstract

Mudança de Conceito é um problema inerente ao aprendizado em fluxo de dados. A detecção de mudanças de conceito é uma técnica conhecida por rastrear o ponto de mudança entre conceitos, e os métodos que implementam essa ideia geralmente são conhecidos como detectores. Esta tese é dedicada ao estudo de algoritmos de detecção de mudanças de conceito. Inicialmente foi feita uma revisão da literatura, incluindo os principais trabalhos relacionados. Na sequência, foram feitas contribuições ao Massive Online Analysis (MOA) com complementos de códigos, incluindo a ferramenta Massive Online Analysis Manager PHP framework (MOAManager), desenvolvida e utilizada para gerenciar experimentos usando o MOA. Em seguida, foram comparados os desempenhos dos trabalhos relacionados, separando-os em detectores de única e de múltipla análise. Posteriormente, são apresentados os métodos propostos de comitês de detectores Drift Detection Ensemble (DDE), Mixed Signals Drift Detection Ensemble (MSDDE) e Match Drift Detection Ensemble (MDDE), assim como os métodos convencionais de detecção Ultimately Simple Drift Detector (USDD) e USDD eXtension (USDDX). Nesta tese foram também realizadas comparações de larga escala com 25 detectores, 6 geradores de dados, usando três tamanhos diferentes de bases de dados com simulações de mudanças abruptas e graduais, além de 7 bases de dados reais, todos utilizando dois classificadores (Naive Bayes e Hoeffding Tree). Os resultados empíricos mostram que os comitês de detectores propostos foram competitivos em relação aos trabalhos do estado da arte em detecção de mudança de conceito, oferecendo resultados melhores em vários casos em comparação aos trabalhos de única análise e sendo superior na maioria das vezes em relação aos métodos de múltipla análise. Ambos os métodos, USDD e USDDX, foram competitivos em relação aos trabalhos relacionados, apresentando-se como alternativas robustas para detecção de mudanças de conceito. Finalmente, na maioria dos cenários avaliados, os métodos propostos ofereceram bons resultados em relação à acurácia Prequencial e principalmente na redução de falsos alarmes de detecção em transições abruptas, mostrando-se como uma alternativa competitiva.