Using concept drift detectors of MOA framework to detect behavioral drift in home automation dataset

This research describes the MOA framework, that is designed to implement algorithms and perform machine learning experiments regarding the online learning with evolving data streams. The main objective of working with MOA is to use the concept drift detectors to detect behavioral drifts on the early stage by analyzing the human Activities Daily Livings (ADLs) to predict and control the mental illness of the elderly people due to aging. Recent studies concerning the behavioral drift detection in field of Ambient Assisted Living (AAL) have shown the importance of monitoring the behavior of an individual in relation to his/her well-being and much less attention has been given to identifying long term changes in the behavior from sensor data. This study begins with analyzing the performance of the concept drift detectors in MOA, then tests the drift detectors over Home Automation datasets that contain drifts. After that, several experiments with different configurations have been done to detect the best detection learner. The obtained results from the experiments prove that the Drift Detection Methods (DDM) in MOA are able to detect behavioral drifts from Home Automation datasets. The results of experiments over two simulated datasets reveal that the DDM classifier is able to learn a model with high accuracy and low time consumption. Several base learners have been tested with DDM classifier and among all, Hoeffding Tree, Random Hoeffding Tree and Hoeffding Adaptive Tree are the best base learners considering a trade-off between accuracy and time.

Questa ricerca descrive il framework MOA che è progettato per implementare algoritmi ed eseguire esperimenti di machine learning relativi all’apprendimento online con stream di dati in evoluzione. L’obiettivo principale è quello di utilizzare i concept drift detectors del framework MOA per rilevare i drift comportamentali allo stadio iniziale, analizzando le Activities Daily Livings (ADL) umane per prevedere e controllare la malattia mentale causata dall’invecchiamento negli anziani. Recenti studi riguardanti la rilevazione di drift comportamentali nel campo di Ambient Assisted Living (AAL) mostrano l’importanza di monitorare il comportamento di un individuo in relazione al suo benessere e molta meno attenzione viene data all’identificazione di cambiamenti a lungo termine nel comportamento dai dati da sensori. Questo studio inizia con l’analisi delle prestazioni dei rivelatori di concept drift in MOA, quindi verifica i rilevatori di drift su dataset di automazione domestica che contengono drift. Dopo di ciò sono stati fatti diversi esperimenti con diverse configurazioni per rilevare il miglior detection learner. I risultati ottenuti dagli esperimenti dimostrano che i Drift Detection Methods (DDM) in MOA sono in grado di rilevare drift comportamentali dai dataset di automazione domestica. I risultati di esperimenti su due dataset simulati rivelano che il classificatore DDM è in grado di apprendere un modello con alta precisione e basso consumo di tempo. Diversi base learner sono stati testati con il classificatore DDM e tra tutti, Hoeffding Tree, Random Hoeffding Tree e Hoeffding Adaptive Tree sono i migliori base learner considerando un compromesso tra accuratezza e tempo.