Overall Results§6.1 demonstrated th

Overall Results

§6.1 demonstrated that all of our individual contributions are effective in handling concept drift in tweet streams.

We next compared the whole P-Switch model against conventional methods for handling concept drift: a temporally- aware multinomial naive Bayes classifier with the instance weighting method (MNB-W; Eqs. (1) and (5)), and with the instance selection method (MNB-S; Eqs. (1) and (4)) (see details in §3.3 and [29, 18]). Parameter settings were: γ=0.01,λ=0.002,L=0.5,and n=2. Thekernelwidth of MNB-W and MNB-S was h = 10,000, which was the best value for the TV data set. Note that the best value of h for the NPB and MLB data sets was ∞ (corresponds to MNB) as shown in Fig. 6.

Fig. 13 plots macro F1 of the classifiers vs. the training number of tweets (time steps). Table 2 is the overall accu- racy and macro F1 of the classifiers after learning all data.

Kết quả (Việt) 1:

Kết quả tổng thể§6.1 đã chứng minh rằng tất cả chúng tôi đóng góp cá nhân có hiệu quả trong việc xử lý khái niệm trôi dạt trong tweet suối.Chúng tôi tiếp theo so sánh các mô hình P-chuyển đổi toàn bộ chống lại các phương pháp thông thường để xử lý khái niệm trôi dạt: một tạm - nhận thức multinomial ngây thơ Bayes loại với trường hợp hệ số phương pháp (MNB-W; EQS. (1) và (5)), và với các phương pháp lựa chọn trường hợp (MNB-S; EQS. (1) và (4)) (xem chi tiết tại §3.3 và [29, 18]). Cài đặt tham số: γ = 0.01, λ = 0,002, L = 0,5, và n = 2. Thekernelwidth MNB-W và MNB S là h = 10.000, mà là giá trị tốt nhất cho các thiết lập dữ liệu TV. Lưu ý rằng giá trị tốt nhất của h cho các bộ dữ liệu NPB và MLB là ∞ (tương ứng với MNB) như minh hoạ trong hình 6.Hình 13 lô vĩ mô F1 của máy phân loại so với đào tạo, số tweets (thời gian bước). Bảng 2 là tổng thể accu-racy và vĩ mô F1 của các máy phân loại sau khi học tập tất cả dữ liệu.

Kết quả (Việt) 2:

Kết quả tổng thể. §6.1 chứng minh rằng tất cả các đóng góp cá nhân của chúng tôi là hiệu quả trong việc xử lý khái niệm trôi trong dòng tweet Chúng tôi tới so với toàn bộ mô hình P-Switch với phương pháp thông thường để xử lý khái niệm trôi dạt: một nhận thức đa thức ngây thơ Bayes classifier temporally- với instance trọng phương pháp (MNB-W;. EQS (1) và (5)), và với phương pháp lựa chọn instance (MNB-S;. EQS (1) và (4)) (xem chi tiết trong §3.3 và [29, 18] ). Thiết lập tham số là: γ = 0,01, λ = 0,002, L = 0,5, và n = 2. Thekernelwidth của MNB-W và MNB-S là h = 10.000, đó là giá trị tốt nhất cho tập dữ liệu truyền hình. Lưu ý rằng các giá trị tốt nhất của h cho các bộ dữ liệu NPB và MLB là ∞ (tương ứng với MNB) như thể hiện trong hình. 6. Hình. 13 lô F1 vĩ mô của phân loại, so với số lượng đào tạo của các tweet (thời gian bước). Bảng 2 là thiếu đứng đắn accu- tổng thể và F1 vĩ mô của các phân loại sau khi biết tất cả dữ liệu.