抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
特徴工学は成功データ科学パイプラインにおける重要なステップである。段階における生変数は,機械学習モデルに含めるために準備特徴に変換し,データ科学努力の最も挑戦的な側面の一つである。協調フレームワークにおける特徴工学のための新しいパラダイムを提案し,プラットフォーム,FeatureHubにおけるこのアイデアの例示を行った。この手法では,独立したデータ科学者は特徴工学タスクの協調,実時間でお互いの特徴を観測し,論じた。独立データ科学者によって生成された特徴工学ソースコードは,単一予測機械学習モデルに統合した。著者らのプラットフォームは,モデル訓練,選択およびチューニングを抽象化した自動機械学習バックエンドを含み,その特徴の性能に及ぼす即時フィードバックを受けながら特徴工学に焦点を当てた利用可能にした。データ科学者間の協調を容易にし,奨励に強く統合フォーラム,天然特徴発見API,および標的補償機構を用いた。このアプローチは,非依存的または競合データ科学者からの冗長性を減少させることができるタスク完了までの時間を減少させた。実験結果では,クラウドソーシング特徴を用いて自動的に生成されたモデルは勝利提出の0.03または0.05点内の性能を示し,最小ヒト監視。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】