面向行政数据机器学习的高效观察时间窗口分割
机器学习
2024-10-24 v2 计算机与社会
摘要
当机器学习模型能够从带时间戳的行政数据中的时间趋势中学习时，它们会受益。这些趋势可以通过将模型的观察窗口划分为时间片段或分箱来表示。通过为每个特征使用不同的时间分辨率，可以改善模型训练时间和性能。然而，这导致时间分箱大小的超参数搜索空间随特征数量呈指数增长。本文的贡献在于提出了一种计算高效的时间序列分析调查分箱（TAIB）技术，该技术确定哪些数据特征子集从时间分箱大小超参数调优中获益最多。该技术使用医院和住房/无家可归者行政数据集进行了演示。结果表明，TAIB产生的模型不仅训练效率更高，而且性能可能优于默认所有特征使用相同时间分箱大小的模型。
引用
@article{arxiv.2401.16537,
title = {Efficient Observation Time Window Segmentation for Administrative Data Machine Learning},
author = {Musa Taib and Geoffrey G. Messier},
journal= {arXiv preprint arXiv:2401.16537},
year = {2024}
}