Sí hay. Un ejemplo es el marco WEKA MOA [1].
Este marco implementa algoritmos estándar en la literatura de detección de deriva conceptual. Desde su código fuente abierto [2], puede encontrar las implementaciones de algoritmos como DDM, EDDM, EWMA, …
Lo bueno de este marco es que permite a los usuarios generar nuevos flujos de datos que contienen desviaciones conceptuales de diferentes tipos. La deriva del concepto también puede inyectarse en flujos de datos estacionarios existentes [3]. Esto es muy útil para evaluar diferentes detectores de deriva de concepto.
- ¿Qué estadísticas debo saber para hacer ciencia de datos?
- ¿Cuál es la mejor manera de hacer un curso sobre big data en India?
- ¿Debo dominar Java y Python antes de aprender Hadoop y Big Data?
- ¿Cuáles son las opciones de salida de Mu Sigma?
- Quiero hacer un análisis de datos sobre datos sanitarios. ¿Dónde puedo encontrar estos conjuntos de datos?
Hay muchas formas diferentes de detectar desviaciones conceptuales. A menudo no es fácil decidir cuál usar. Puede consultar este documento para una evaluación exhaustiva de diferentes detectores de deriva de concepto [4]. Esto ayudará a eliminar las exageraciones en los documentos individuales.
La conclusión de este artículo [4] es que “DDM fue el mejor método considerando tanto el rango promedio como la precisión”.
[1] Análisis en línea masivo de MOA
[2] Waikato / moa
[3] http://www.cs.waikato.ac.nz/~abi…
[4] https://goo.gl/ObzmzW
