物联网分析中特征工程的自动化
机器学习
2017-07-14 v1
摘要
本文提出了一种利用机器学习（ML）技术自动化物联网分析（IoTA）中可解释特征选择的方法。作者对不同 IoTA 应用开发任务中的不同人员进行了调查。调查显示，特征选择是整个工作流中最耗时且最需要专业技能的部分。本文展示了如何成功自动化特征选择，同时不牺牲决策准确性，从而缩短项目完成时间并降低雇佣昂贵资源的成本。遵循多种模式识别原则和最先进（SoA）的 ML 技术来设计所提出的自动化整体方法。考虑了三个数据集以建立概念验证。实验结果表明，所提出的自动化能够将特征选择的时间从原本在没有自动化情况下所需的 4-6 个月减少到 2 天。时间的减少是在不牺牲决策过程准确性的情况下实现的。还将所提出的方法与多层感知机（MLP）模型进行了比较，因为大多数关于 IoTA 的最先进工作都使用基于 MLP 的深度学习。此外，还将特征选择方法与最先进的特征降维技术（即主成分分析（PCA）及其变体）进行了比较。所得结果表明所提出的方法是有效的。
引用
@article{arxiv.1707.04067,
title = {Automation of Feature Engineering for IoT Analytics},
author = {Snehasis Banerjee and Tanushyam Chattopadhyay and Arpan Pal and Utpal Garain},
journal= {arXiv preprint arXiv:1707.04067},
year = {2017}
}
备注
AIoTAS Workshop, ISCA 2017. To be published in ACM SIGBED Review 2018