×

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

按年份列出的引文