基于扩展Auto-WEKA的多组件预测系统的自动组合与优化
机器学习
2019-02-04 v2
摘要
由数据转换步骤链组成的多组件预测系统（MCPSs）的组合与参数化是一项具有挑战性的任务。Auto-WEKA是一个用于自动化组合算法选择与超参数（CASH）优化问题的工具。在本文中，我们扩展了CASH问题与Auto-WEKA，以支持MCPS，包括用于分类和回归任务的预处理步骤。我们定义了优化问题，其中搜索空间由构成所求MCPS解的适当参数化佩特里网（Petri nets）组成。在实验分析中，我们着重考察了大幅扩展搜索空间（从约22,000到812 billion种方法与分类超参数的可能组合）的影响。在一系列广泛的实验中，使用了三种不同的优化策略为21个公开可用数据集自动组合MCPSs。所发现的组合MCPSs的多样性表明，完全自动地利用不同的数据清洗与预处理技术组合是可能的，并且对不同的预测模型极为有益。我们还展示了来自真实化工生产过程七个数据集上的结果。我们的发现可对高质量预测模型的开发以及现代应用与部署场景所需的维护与可扩展性方面产生重大影响。
引用
@article{arxiv.1612.08789,
title = {Automatic Composition and Optimization of Multicomponent Predictive Systems With an Extended Auto-WEKA},
author = {Manuel Martin Salvador and Marcin Budka and Bogdan Gabrys},
journal= {arXiv preprint arXiv:1612.08789},
year = {2019}
}