×

可调性

swMATH标识: 42100
软件作者: 普罗斯特,菲利普;布尔斯泰克斯,安妮·劳尔;比什尔,伯纳德
说明: 可调性:机器学习算法超参数的重要性。现代有监督机器学习算法涉及到在运行它们之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,由用户手动配置,或通过调整过程将其配置为最佳预测性能。本文的目标是双重的。首先,我们从统计学的角度对优化问题进行了形式化描述,定义了基于数据的缺省值,并提出了量化算法超参数可调性的一般措施。其次,基于OpenML平台的38个数据集和6种常用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,并使用户能够决定是否值得执行一个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优。
主页: https://arxiv.org/abs/1802.09596
源代码: https://github.com/PhilippPro/tunability
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: 开放多媒体程序库;护林员;债务人;XG增压;插入符号;高纬;自动学习;SMAC公司;汽车韦卡;超光速;留兰香;亚历克斯内特;波黑;图像网;森林;沙夫;多样林;R;随机森林src;随机森林
引用于: 9种出版物

按年份列出的引文