Séminaire Donnees et APprentissage ArtificielRSS

Grille bivariée pour la détection de changement dans un flux étiqueté


http://www.vincentlemaire-labs.fr/
12/03/2015
Intervenant(s) : Vincent Lemaire (Orange Labs)
Cet exposé présentera :
  1. le contexte de la détection de concept drift dans un flux étiqueté : en analyse prédictive et en apprentissage automatique, on parle de dérive conceptuelle lorsque les propriétés statistiques de la variable cible, que le modèle essaie de prédire, évoluent au cours du temps d'une manière imprévue. Ceci pose des problèmes parce que les prédictions deviennent moins exactes au fur et à mesure que le temps passe. La dérive conceptuelle est une des contraintes en fouille de flux de données.
  2. une méthode en-ligne de détection de changement de concept dans un flux étiqueté : elle est basée sur un critère supervisé bivarié qui permet d’identifier si les données de deux fenêtres proviennent ou non de la même distribution. Notre méthode a l’intérêt de n’avoir aucun a priori sur la distribution des données, ni sur le type de changement et est capable de détecter des changements de différentes natures (changement dans la moyenne, dans la variance...). Les expérimentations montrent que notre méthode est plus performante et robuste que les méthodes de l’état de l’art testées.

**Bio**
Vincent Lemaire is a senior expert in data-mining. His research interests are the application of machine learning in various areas for telecommunication companies with an actual main application in data mining for business intelligence. He developed exploratory data analysis and classification interpretation tools.
Plus d'informations ici
benjamin.piwowarski (at) nulllip6.fr
 Mentions légales
Carte du site |