論文の概要: An Extensive Experimental Evaluation of Automated Machine Learning
Methods for Recommending Classification Algorithms (Extended Version)
- arxiv url: http://arxiv.org/abs/2009.07430v1
- Date: Wed, 16 Sep 2020 02:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 22:44:26.498080
- Title: An Extensive Experimental Evaluation of Automated Machine Learning
Methods for Recommending Classification Algorithms (Extended Version)
- Title（参考訳）: 分類アルゴリズムを推薦する自動機械学習手法の広範な実験的検討(拡張版)
- Authors: M\'arcio P. Basgalupp, Rodrigo C. Barros, Alex G. C. de S\'a, Gisele
L. Pappa, Rafael G. Mantovani, Andr\'e C. P. L. F. de Carvalho, Alex A.
Freitas
- Abstract要約: これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。
我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。
一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
- 参考スコア（独自算出の注目度）: 4.400989370979334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an experimental comparison among four Automated Machine
Learning (AutoML) methods for recommending the best classification algorithm
for a given input dataset. Three of these methods are based on Evolutionary
Algorithms (EAs), and the other is Auto-WEKA, a well-known AutoML method based
on the Combined Algorithm Selection and Hyper-parameter optimisation (CASH)
approach. The EA-based methods build classification algorithms from a single
machine learning paradigm: either decision-tree induction, rule induction, or
Bayesian network classification. Auto-WEKA combines algorithm selection and
hyper-parameter optimisation to recommend classification algorithms from
multiple paradigms. We performed controlled experiments where these four AutoML
methods were given the same runtime limit for different values of this limit.
In general, the difference in predictive accuracy of the three best AutoML
methods was not statistically significant. However, the EA evolving
decision-tree induction algorithms has the advantage of producing algorithms
that generate interpretable classification models and that are more scalable to
large datasets, by comparison with many algorithms from other learning
paradigms that can be recommended by Auto-WEKA. We also observed that Auto-WEKA
has shown meta-overfitting, a form of overfitting at the meta-learning level,
rather than at the base-learning level.
- Abstract（参考訳）: 本稿では、与えられた入力データセットに対して最適な分類アルゴリズムを推奨する4つのAutomated Machine Learning(AutoML)手法の実験的比較を示す。
これら3つの手法は進化的アルゴリズム(eas)に基づいており、もう1つはアルゴリズム選択とハイパーパラメータ最適化(cash)アプローチを組み合わせた、よく知られたautomlメソッドであるauto-wekaである。
EAベースの手法は、決定木誘導、ルール誘導、ベイズネットワーク分類という、単一の機械学習パラダイムから分類アルゴリズムを構築する。
Auto-WEKAはアルゴリズム選択とハイパーパラメータ最適化を組み合わせて、複数のパラダイムからの分類アルゴリズムを推奨する。
我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。
一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
しかし、EAの進化する決定ツリー帰納アルゴリズムは、Auto-WEKAによって推奨される他の学習パラダイムの多くのアルゴリズムと比較して、解釈可能な分類モデルを生成し、大規模なデータセットに対してよりスケーラブルなアルゴリズムを作成するという利点がある。
また,auto-wekaは,ベース学習レベルではなく,メタ学習レベルでのオーバーフィットの形式であるメタオーバーフィッティングを示した。
関連論文リスト
- A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Benchmarking AutoML algorithms on a collection of binary problems [3.3793659640122717]
本稿では,Tree-based Pipeline Optimization Tool (TPOT), Auto-Sklearn, Auto-Sklearn 2, H2O AutoMLの4種類のAutoMLアルゴリズムの性能を比較した。
私たちはAutoMLがすべての含まれたデータセットでうまく機能するパイプラインを識別できることを確認します。
論文 参考訳（メタデータ） (2022-12-06T01:53:50Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Iterative Linear Quadratic Optimization for Nonlinear Control:
Differentiable Programming Algorithmic Templates [9.711326718689495]
本稿では,機能的観点からの目的の線形近似と二次近似に基づく非線形制御アルゴリズムの実装について述べる。
我々は、微分可能なプログラミングフレームワークで全てのアルゴリズムの計算複雑性を導出し、十分な最適性条件を示す。
アルゴリズムは、公開パッケージで微分可能なプログラミング言語でコード化されている。
論文 参考訳（メタデータ） (2022-07-13T17:10:47Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Hybrid Method Based on NARX models and Machine Learning for Pattern
Recognition [0.0]
本研究は,機械学習とシステム識別の方法論を統合した新しい手法を提案する。
本手法の効率は,機械学習におけるケーススタディにより検証され,古典的分類アルゴリズムと比較して絶対的な結果が得られた。
論文 参考訳（メタデータ） (2021-06-08T00:17:36Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - A Robust Experimental Evaluation of Automated Multi-Label Classification
Methods [0.735996217853436]
本稿では,マルチラベル分類(MLC)問題に対するAutoMLにアプローチする。
MLCでは、それぞれの例を複数のクラスラベルに同時に関連付けることができる。
全体として、最も顕著な方法は、標準文法に基づく遺伝的プログラミング(GGP)探索法に基づくものである。
論文 参考訳（メタデータ） (2020-05-16T20:08:04Z) - Unsupervised and Supervised Learning with the Random Forest Algorithm
for Traffic Scenario Clustering and Classification [4.169845583045265]
本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。
アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
論文 参考訳（メタデータ） (2020-04-05T08:26:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。