2015 International Joint Conference on Neural Networks (IJCNN) 2015
DOI: 10.1109/ijcnn.2015.7280528
|View full text |Cite
|
Sign up to set email alerts
|

Evolving clustering, classification and regression with TEDA

Abstract: In th i s art i cle the novel cluster i ng and regress i on methods TEDACluster and TEDAPredict methods are descr i bed additionally to recently proposed evolv i ng class i fier TEDAClass. The algor i thms for class i fication, cluster i ng and regression are based on the recently proposed AnYa type fuzzy rule based system. The novel methods use the recently proposed TEDA framework capable of recursive process i ng of large amounts of data. The framework i s capable of computationally cheap exact update of dat… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

2
26
0
1

Year Published

2016
2016
2023
2023

Publication Types

Select...
5
3

Relationship

1
7

Authors

Journals

citations
Cited by 15 publications
(29 citation statements)
references
References 26 publications
2
26
0
1
Order By: Relevance
“…Devidoà rapidez e facilidade de implementação, extensões do TEDA têm sido propostas para lidar com problemas de classificação [9] , regressão [8] e agrupamento [6] em fluxos contínuos de dados. Uma característica importante deste modeloé que a tipicidade se assemelha (embora seja diferente)à uma função massa de probabilidade [4], sendoútil para aplicações onde se faz necessário o uso de soft clustering ou modelar a distribuição dos dados quando estaé desconhecida a priori.…”
Section: Tedaunclassified
“…Devidoà rapidez e facilidade de implementação, extensões do TEDA têm sido propostas para lidar com problemas de classificação [9] , regressão [8] e agrupamento [6] em fluxos contínuos de dados. Uma característica importante deste modeloé que a tipicidade se assemelha (embora seja diferente)à uma função massa de probabilidade [4], sendoútil para aplicações onde se faz necessário o uso de soft clustering ou modelar a distribuição dos dados quando estaé desconhecida a priori.…”
Section: Tedaunclassified
“…In [20] a simple and fast method is proposed that uses gradient decent to www.ijacsa.thesai.org tune the structure and parameters of a fuzzy classifier. D. Kangin et al in [21] and [22] have introduced a group of incremental methods called TEDA that can be used for clustering, regression and classification. Incremental methods are also employed to find a policy for infinite-horizon Dec-POMDP.…”
Section: B Incremental Learningmentioning
confidence: 99%
“…The classification results are tabulated in Table I compared with the results of the previously published methods [16]- [18]. The results are visualized in Fig.…”
Section: A Symbol Image Recognitionmentioning
confidence: 99%