分類アルゴリズム(拡張版)のための自動化機械学習法の広範な実験的評価【JST・京大機械翻訳】

Basgalupp Marcio P.; Barros Rodrigo C.; de Sa Alex G. C.; Pappa Gisele L.; Mantovani Rafael G.; de Carvalho Andre C. P. L. F.; Freitas Alex A.

プレプリント

J-GLOBAL ID：202202205584194770 整理番号：22P0191279

分類アルゴリズム(拡張版)のための自動化機械学習法の広範な実験的評価【JST・京大機械翻訳】

An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version)

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年09月15日プレプリントサーバーでの情報更新日： 2020年09月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本論文では,与えられた入力データセットに対する最良の分類アルゴリズムを推薦するための4つの自動化マシン学習(AutoML)法の間の実験的比較を示した。これらの方法の3つは進化アルゴリズム(EA)に基づいており,もう1つは自己WEKAであり,組合せアルゴリズム選択とハイパーパラメータ最適化(CASH)アプローチに基づくよく知られたAutoML法である。EAベースの方法は,単一機械学習パラダイムから分類アルゴリズムを構築する:決定木誘導,ルール誘導,またはBayesネットワーク分類。自動WEKAはアルゴリズム選択とハイパーパラメータ最適化を結合して,多重パラダイムから分類アルゴリズムを推奨した。これらの4つのAutoML法がこの限界の異なる値に対して同じ実行時間限界を与える制御実験を行った。一般に,3つの最良の自動ML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進化決定木誘導アルゴリズムは,解釈可能な分類モデルを生成するアルゴリズムを生成する利点を持ち,自己WEKAによって推薦できる他の学習パラダイムからの多くのアルゴリズムと比較して,大きなデータセットに対してスケーラブルである。また,Auto-WEKAは,基底学習レベルよりもメタ学習レベルで過剰適合の形式であるメタオーバーフィッティングを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る