可调性 swMATH ID: 42100 软件作者: 菲利普·普罗布斯特(Philipp Probst);Anne-Laure,Boulesteix;伯恩德·比施尔 描述: 可调性:机器学习算法超参数的重要性。现代监督机器学习算法涉及在运行前必须设置的超参数。用于设置超参数的选项是软件包中的默认值、用户手动配置或通过调整过程将其配置为最佳预测性能。本文的目的是双重的。首先,我们从统计角度形式化了调优问题,定义了基于数据的默认值,并提出了量化算法超参数可调性的一般措施。其次,我们基于来自OpenML平台的38个数据集和六种常见的机器学习算法进行了大规模的基准测试研究。我们应用我们的措施来评估其参数的可调性。我们的结果产生了超参数的默认值,使用户能够决定是否值得执行可能耗时的调整策略,关注最重要的超参数,并选择足够的超参数空间进行调整。 主页: https://arxiv.org/abs/1802.09596 源代码: https://github.com/PhilippPro/可用性 关键词: 机器学习;监督学习;分类;超参数;调谐;元学习 相关软件: 亚当;AlexNet公司;ImageNet公司;开放多媒体程序库;护林员;MNIST公司;倾角RF;XGBoost公司;插入符号;SMAC公司;汽车-WEKA;超波段;自动锁相环;Hyperopt公司;青蒿素;BOHB公司;ElemStatLearn(电子状态学习);阿达德尔塔;iPiano公司;iPiasco公司 引用于: 11文件 标准条款 1出版物描述软件,包括1出版物在zbMATH中 年份 可调性:机器学习算法超参数的重要性。 Zbl 1485.68226号菲利普·普罗布斯特;安内拉鲁州布列斯特克;伯恩德·比施尔 2019 全部的 前5名35位作者引用 2 安娜·劳尔·伊萨博(Anne-Laure Isabeau),布列斯特(Boulesteix) 2 罗马人Hornung 1 Pauline M.Barrieu。 1 伯恩德·比施尔 1 詹姆斯·布朗(James C.Browne)。 1 伯恩斯,兰德尔 1 陈一宁 1 Jaewon Chung 1 本杰明·福尔克 1 克里斯蒂安·菲伯格 1 Marco F.Huber。 1 托马斯·洛伊 1 毛罗·马吉奥尼 1 德斯波纳马卡里奥 1 丹尼尔·梅特科 1 杰西·帕索利克。 1 Phoha、Shashi P。 1 托尔斯滕·波迪格 1 Priebe,Carey E。 1 菲利普·普罗布斯特 1 阿索克·库马尔·雷 1 Johannes O·罗伊塞特。 1 萨博(Samer jun)。 1 沈岑成 1 盛祥荣 1 泰勒·M·富田。 1 约书亚·T·沃格尔斯坦。 1 罗杰·韦茨(Roger Jean-Baptiste Wets) 1 杨泽斌 1 叶,韩佳 1 是,杰森 1 詹德川 1 张爱军 1 朱明辉 1 马克·安德烈·泽勒 全部的 前5名8篇连载文章中引用 三 机器学习研究杂志(JMLR) 2 机器学习 1 统计学年鉴 1 保险数学与经济学 1 分类杂志 1 计算统计与数据分析 1 人工智能研究杂志 1 OR光谱 在4个字段中引用 7 计算机科学(68-XX) 6 统计学(62-XX) 2 博弈论、经济学、金融和其他社会和行为科学(91-XX) 1 运筹学、数学规划(90-XX) 按年份列出的引文