[en] A METHOD FOR INTERPRETING CONCEPT DRIFTS IN A STREAMING ENVIRONMENT

• Ano de defesa: 2021
• Autor(a) principal: JOAO GUILHERME MATTOS DE O SANTOS
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] ARVORE DE DECISAO; [pt] ENTENDIMENTO DE DRIFT; [pt] INTERPRETACAO DE DRIFT; [pt] DETECCAO DE DRIFT; [pt] MINERACAO DE DADOS DE TRAJETORIAS; [en] DECISION TREE; [en] DRIFT UNDERSTANDING; [en] DRIFT INTERPRETATION; [en] DRIFT DETECTION; [en] TRAJECTORY DATA MINING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54157&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54157&idi=2; http://doi.org/10.17771/PUCRio.acad.54157

[pt] Em ambientes dinâmicos, os modelos de dados tendem a ter desempenho insatisfatório uma vez que a distribuição subjacente dos dados muda. Este fenômeno é conhecido como Concept Drift. Em relação a este tema, muito esforço tem sido direcionado ao desenvolvimento de métodos capazes de detectar tais fenômenos com antecedência suficiente para que os modelos possam se adaptar. No entanto, explicar o que levou ao drift e entender suas consequências ao modelo têm sido pouco explorado pela academia. Tais informações podem mudar completamente a forma como adaptamos os modelos. Esta dissertação apresenta uma nova abordagem, chamada Detector de Drift Interpretável, que vai além da identificação de desvios nos dados. Ele aproveita a estrutura das árvores de decisão para prover um entendimento completo de um drift, ou seja, suas principais causas, as regiões afetadas do modelo e sua severidade.