Inkrementelle Klassifizierer bilden ihre Vorhersageregeln anhand den ihnen bereits bekannten Intstanzen eines kontinuierlichen Datenstromes. Da diese Algorithmen aus richtigen und falschen Voraussagen lernen, werden sie je besser, desto mehr Instanzen sie betrachten. Im Falle einer plötzlichen Veränderung der Voraussetzungen ändert sich diese Regel, Instanzen des alten Datenmodells sollten jetzt vergessen werden, da sie falsche Informationen hinsichtlich des neuen Modells liefern. In dieser Diplomarbeit wird versucht, die Vergessensrate mittels des Informationsgehaltes des Datenstromes möglichst genau zu regeln. Als erstes wird eine einfache, lineare Korrelation zwischen Informationsgehalt und Vergessensrate ausgeschlossen. Dann wird eine zweite, quasi-dynamische und noise-resistente Strategie verfolgt. Diese wird mittels zwei verschiedenen Qualitätsmassen auf einem künstlichen Datensatze getestet und gegen verschiedene Benchmarks verglichen.

University of Zurich

ddis