Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Neural Additive and Basis Models with Feature Selection and Interactions Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Adaptive Prediction Interval for Data Stream Regression

verfasst von : Yibin Sun, Bernhard Pfahringer, Heitor Murilo Gomes, Albert Bifet

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Prediction Interval (PI) is a powerful technique for quantifying the uncertainty of regression tasks. However, research on PI for data streams has not received much attention. Moreover, traditional PI-generating approaches are not directly applicable due to the dynamic and evolving nature of data streams. This paper presents AdaPI (ADAptive Prediction Interval), a novel method that can automatically adjust the interval width by an appropriate amount according to historical information to converge the coverage to a user-defined percentage. AdaPI can be applied to any streaming PI technique as a postprocessing step. This paper develops an incremental variant of the pervasive Mean and Variance Estimation (MVE) method for use with AdaPI. An empirical evaluation over a set of standard streaming regression tasks demonstrates AdaPI’s ability to generate compact prediction intervals with a coverage close to the desired level, outperforming alternative methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Projection-Free Bandit Convex Optimization over Strongly Convex Sets
Nächstes Kapitel Probabilistic Guarantees of Stochastic Recursive Gradient in Non-convex Finite Sum Problems
Literatur
1.
Barber, R.F., Candes, E.J., Ramdas, A., Tibshirani, R.J.: Predictive inference with the jackknife+ (2021)
2.
Bifet, A., et al.: Moa: massive online analysis, a framework for stream classification and clustering. PMLR (2010)
3.
4.
Fanaee-T, H., Gama, J.: Event labeling combining ensemble detectors and background knowledge. Progr. Artif. Intell. 2, 113–127 (2014)CrossRef
5.
Friedman, M.: A comparison of alternative tests of significance for the problem of m rankings. Ann. Math. Stat. 11(1), 86–92 (1940)MathSciNetCrossRef
6.
Gomes, H.M., Barddal, J.P., Ferreira, L.E.B., Bifet, A.: Adaptive random forests for data stream regression. In: ESANN (2018)
7.
Gomes, H.M., Montiel, J., Mastelini, S.M., Pfahringer, B., Bifet, A.: On ensemble techniques for data stream regression. In: 2020 IJCNN. IEEE (2020)
8.
Hadjicharalambous, M., Polycarpou, M.M., Panayiotou, C.G.: Neural network-based construction of online prediction intervals. Neural Comput. Appl. 32(11), 6715–6733 (2020)CrossRef
9.
Hahn, G.J., Factors for calculating two-sided prediction intervals for samples from a normal distribution. J. Am. Stat. Assoc. (1969)
10.
Hahn, G.J., Nelson, W.: A survey of prediction intervals and their applications. J. Qual. Technol. 5(4), 178–188 (1973)CrossRef
11.
Ikonomovska, E., Gama, J., Džeroski, S.: Learning model trees from evolving data streams. Data Min. Knowl. Disc. 23, 128–168 (2011)MathSciNetCrossRef
12.
Khosravi, A., Nahavandi, S., Creighton, D., Atiya, A.F.: Lower upper bound estimation method for construction of neural network-based prediction intervals. IEEE Trans. Neural Netw. 22(3), 337–346 (2010)CrossRef
13.
Liu, Y., Zhao, J., Wang, W., Pedrycz, W.: Prediction intervals for granular data streams based on evolving type-2 fuzzy granular neural network dynamic ensemble. IEEE Trans. Fuzzy Syst. 29(4), 874–888 (2020)CrossRef
14.
Nix, D.A., Weigend, A.S.: Estimating the mean and variance of the target probability distribution. In: ICNN’94. IEEE (1994)
15.
Shafer, G., Vovk, V.: A tutorial on conformal prediction. J. Mach. Learn. Res. 9(3) (2008)
16.
Shrestha, D.L., Solomatine, D.P.: Machine learning approaches for estimation of prediction interval for the model output. Neural Netw. 19(2), 225–235 (2006)CrossRef
17.
Sun, Y., Pfahringer, B., Gomes, H.M., Bifet, A.: SOKNL: a novel way of integrating k-nearest neighbours with adaptive random forest regression for data streams. Data Min. Knowl. Discov. (2022)
18.
Waugh, S.G.: Extending and benchmarking cascade-correlation: extensions to the cascade-correlation architecture and benchmarking of feed-forward supervised artificial neural networks. Ph.D. thesis, University of Tasmania (1995)
19.
Xu, C., Xie, Y.: Conformal prediction interval for dynamic time-series. In: International Conference on Machine Learning, pp. 11559–11569. PMLR (2021)
20.
Zhao, J., Wang, W., Sheng, C., Zhao, J., Wang, W., Sheng, C.: Industrial prediction intervals with data uncertainty. In: Data-Driven Prediction for Industrial Processes and Their Applications, pp. 159–222 (2018)
21.
Zhao, X., Barber, S., Taylor, C.C., Milan, Z.: Interval forecasts based on regression trees for streaming data. Adv. Data Anal. Classif. 15, 5–36 (2021)MathSciNetCrossRef
Metadaten
Titel
Adaptive Prediction Interval for Data Stream Regression
verfasst von
Yibin Sun
Bernhard Pfahringer
Heitor Murilo Gomes
Albert Bifet
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-61-7

Electronic ISBN: 978-981-9722-59-4

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2259-4_10

Premium Partner

    Bildnachweise