Arbres de régression multi-cibles en ligne avec des modèles empilés dans les feuilles

L'un des défis actuels en apprentissage automatique est de savoir comment traiter les données qui arrivent à des taux croissants dans les flux de données. De nouvelles stratégies d'apprentissage prédictif sont nécessaires pour faire face aux données à débit élevé et au décalage conceptuel. L'une des tâches d'exploration de flux de données où de nouvelles stratégies d'apprentissage sont requises est la régression multi-cibles, en raison de son applicabilité à un grand nombre de problèmes du monde réel. Bien que des stratégies fiables et efficaces aient été proposées pour la régression multi-cibles par lots, peu ont été proposées pour l'apprentissage en ligne multi-cibles dans les flux de données. De plus, la plupart des solutions existantes ne prennent pas en compte l'occurrence des corrélations inter-cibles lorsqu'elles font des prédictions. Dans ce travail, nous proposons une nouvelle stratégie d'apprentissage en ligne pour la régression multi-cibles dans les flux de données. La stratégie proposée étend l'algorithme d'apprentissage en ligne existant basé sur les arbres de décision pour explorer les dépendances inter-cibles lorsqu'elle fait des prédictions. Pour cela, la stratégie proposée, appelée Arbre de Hoeffding mono-cible empilé (SST-HT) (Stacked Single-target Hoeffding Tree), utilise les dépendances inter-cibles comme source d'information supplémentaire afin d'améliorer la précision prédictive. Au cours d'une configuration expérimentale exhaustive, nous évaluons notre proposition par rapport aux algorithmes basés sur les arbres de décision de pointe pour la régression multi-cibles en ligne. Selon les résultats expérimentaux, SST-HT présente une précision prédictive supérieure, avec une légère augmentation du temps de traitement et des exigences mémoire.