预测模型泛化能力的评估
机器学习
2023-06-02 v1 人工智能
神经与进化计算
摘要
自动化算法选择与配置的关键组成部分——其在大多数情况下使用监督机器学习(ML)方法执行——是一个表现良好的预测模型。该预测模型以一组问题实例的特征表示为输入数据，并预测在其上所达成的算法性能。常见机器学习模型难以对训练数据未覆盖特征表示的实例做出预测，导致对未见问题的泛化能力较差。在本研究中，我们提出一种工作流，用于估计在一个基准套件上训练得到的算法性能预测模型对另一个基准套件的泛化能力。该工作流已通过跨基准套件训练预测模型进行测试，结果表明景观特征空间中的泛化能力模式反映于性能空间中。
引用
@article{arxiv.2306.00040,
title = {Assessing the Generalizability of a Performance Predictive Model},
author = {Ana Nikolikj and Gjorgjina Cenikj and Gordana Ispirova and Diederick Vermetten and Ryan Dieter Lang and Andries Petrus Engelbrecht and Carola Doerr and Peter Korošec and Tome Eftimov},
journal= {arXiv preprint arXiv:2306.00040},
year = {2023}
}
备注
To appear at GECCO 2023