汽车韦卡

Auto WEKA 2.0:WEKA中的自动模型选择和超参数优化。WEKA是一个广泛使用的、开源的机器学习平台。由于其直观的界面,它特别受新手用户的欢迎。然而,这类用户通常很难在众多可用的数据集中找到适合其特定数据集的最佳方法。我们描述了新版本的Auto-WEKA,该系统使用最先进的贝叶斯优化方法,通过自动搜索WEKA的学习算法及其各自的超参数设置的联合空间来帮助这些用户实现性能最大化。我们的新软件包与WEKA紧密集成,使得最终用户可以像任何其他学习算法一样访问它。


zbMATH中的参考文献(参考文献25条)

显示第1到第20个结果,共25个。
按年份排序(引文)
  1. Antonio,Candelieri:未知约束下部分定义函数的序列模型优化(2021)
  2. Zöller,马克·安德烈;Huber,Marco F.:自动化机器学习框架的基准和调查(2021年)
  3. D、 van Kuppevelt,C.Meijer,F.Huber,A.van der Ploeg,S.Georgievska,V.T.van Hees:Mcfly:时间序列上的自动深度学习(2020)不是zbMATH
  4. Rohan Anand,Joeran Beel:自动惊喜:自动推荐系统(AutoRecSys)库,带有Parzens树估计(TPE)优化(2020)阿尔十四
  5. Sandeep Singh Sandha,Mohit Aggarwal,Igor Fedorov,Mani Srivastava:MANGO:A Python Library for Parallel Hyperparameter调优(2020)阿尔十四
  6. 范恩格伦,杰斯珀E。;Hoos,Holger H.:半监督学习调查(2020)
  7. 泽维尔-Júnior,若昂。;弗雷塔斯,亚历克斯A。;卢德米尔,特蕾莎·B。;费托萨·内托,安东尼诺;Barreto,Cephas A.S.:一种基于分类器集成的自动机器学习进化算法:改进算法和扩展结果(2020)
  8. 埃根斯佩格,凯瑟琳;林道尔,马吕斯;Hutter,Frank:算法配置中的陷阱和最佳实践(2019)
  9. 林道尔,马吕斯;范瑞恩,一月。;Kotthoff,Lars:2015和2017(2019)算法选择竞赛
  10. Mateusz Staniak,Przemyslaw Biecek:用于自动勘探数据分析的R包的前景(2019年)阿尔十四
  11. Sánchez DelaCruz,埃迪;罗伯托,韦伯;比斯瓦尔,R.R。;美亚,何塞;陈冯富珍,甘地;Gómez Pozos,Heberto:结合组合算法和深度学习的步态生物标志物分类:局部研究结果(2019)
  12. 布拉迪尔,帕维尔(编辑);Giraud Carrier,Christophe(编辑):金属学习和算法选择:进展、技术现状和2018年特刊简介(2018年)
  13. 埃根斯佩格,凯瑟琳;林道尔,马吕斯;霍斯,霍尔格H。;赫特,弗兰克;Leyton Brown,Kevin:通过基于模型的代理对算法配置器进行有效的基准测试(2018)
  14. 金海峰,宋清泉,胡夏:汽车Keras:一个高效的神经结构搜索系统(2018)阿尔十四
  15. 洛伦娜,安娜·C。;马谢尔,阿隆一世。;德米兰达,Péricles不列颠哥伦比亚省。;科斯塔,伊万·G。;Prudèncio,Ricardo B.C.:回归问题的数据复杂性元特征(2018)
  16. 梅尔尼科夫,维塔利克;Hüllermeier,Eyke:关于启发式学习嵌套二分法的有效性:实证分析(2018)
  17. 莫尔,费利克斯;韦弗,马塞尔;Hüllermeier,Eyke:ML plan:通过分层规划实现自动机器学习(2018)
  18. 威斯图巴,马丁;席林,尼古拉斯;Schmidt Thieme,Lars:基于可伸缩高斯过程的超参数优化传输代理(2018)
  19. 赫特,弗兰克;林道尔,马吕斯;巴林特,阿德里安;贝利斯,萨姆;霍斯,霍尔格;凯文·莱顿·布朗:可配置SAT解算器挑战赛(CSSC)(2017)
  20. 林道尔,马吕斯;霍斯,霍尔格;凯文·莱顿·布朗;Schaub,Torsten:通过算法配置自动构建平行投资组合(2017)