实验设计选择与其机器学习模型性能
机器学习
2022-05-20 v2 机器学习
摘要
越来越多的出版物将实验设计(DOE)与机器学习(ML)联合应用作为一种收集和特定工业现象数据并进行分析的方法论。然而文献表明，用于数据收集的设计和用于数据分析的模型的选择往往并非由统计或算法优势驱动，因此缺乏提供关于在数据收集与分析中应联合使用何种设计与ML模型指南的研究。本文讨论了与设计选择相关的ML模型性能。我们进行了一项研究，考虑了12种实验设计、7类预测模型、7个模拟物理过程的测试函数，以及8种同方差与异方差的噪声设置。研究结果可对从业者的工作产生直接影响，为DOE与ML的实际应用提供指南。
引用
@article{arxiv.2201.10239,
title = {Design choice and machine learning model performances},
author = {Rosa Arboretti and Riccardo Ceccato and Luca Pegoraro and Luigi Salmaso},
journal= {arXiv preprint arXiv:2201.10239},
year = {2022}
}
备注
Supplemental material at the end of the manuscript. 7 tables, 8 figures. Quality and Reliability Engineering International (2022)