Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Energy Efficiency in Data Stream Mining
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0002-0535-1761
Blekinge Tekniska Högskola, Institutionen för datalogi och datorsystemteknik.
2015 (Engelska)Ingår i: ASONAM '15: Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining / [ed] Jian Pei,Fabrizio Silvestri & Jie Tang, ACM Digital Library, 2015, s. 1125-1132Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Data mining algorithms are usually designed to optimize a trade-off between predictive accuracy and computational efficiency. This paper introduces energy consumption and energy efficiency as important factors to consider during data mining algorithm analysis and evaluation. We extended the CRISP (Cross Industry Standard Process for Data Mining) framework to include energy consumption analysis. Based on this framework, we conducted an experiment to illustrate how energy consumption and accuracy are affected when varying the parameters of the Very Fast Decision Tree (VFDT) algorithm. The results indicate that energy consumption can be reduced by up to 92.5% (557 J) while maintaining accuracy.

Ort, förlag, år, upplaga, sidor
ACM Digital Library, 2015. s. 1125-1132
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:hj:diva-37925DOI: 10.1145/2808797.2808863ISI: 000371793500173ISBN: 978-1-4503-3854-7 (tryckt)OAI: oai:DiVA.org:hj-37925DiVA, id: diva2:1160021
Konferens
Int’l Symp. on Foundations and Applications of Big Data Analytics (FAB 2015), Paris
Projekt
BigData@BTH - Scalable resource-efficient systems for big data analytics
Forskningsfinansiär
KK-stiftelsenTillgänglig från: 2016-01-14 Skapad: 2017-11-24 Senast uppdaterad: 2018-09-11Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextFulltext

Personposter BETA

Lavesson, Niklas

Sök vidare i DiVA

Av författaren/redaktören
Lavesson, Niklas
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 27 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf