基于动态结构化语法进化的 Scikit-Learn 流水线演化
神经与进化计算
2020-04-02 v1 机器学习
摘要
机器学习(ML)模型的部署是一项困难且耗时的工作,其包含一系列顺序且相互关联的任务,从数据预处理、特征的设计与提取,到 ML 算法的选择及其参数设置。考虑到特征设计在许多情况下是特定于问题的,因而需要领域专业知识,这项任务更具挑战性。为克服这些局限,自动化机器学习(AutoML)方法力求以极少或无需人工干预的方式自动化流水线的设计,即自动化选择必须应用于原始数据的系列方法的顺序。这些方法有潜力使非专家用户使用 ML,并为专家用户提供他们不太可能考虑的解决方案。具体而言,本文描述了 AutoML-DSGE——一种新颖的基于语法的框架,它将动态结构化语法进化(DSGE)适配于 Scikit-Learn 分类流水线的演化。实验结果包括将 AutoML-DSGE 与另一种基于语法的 AutoML 框架(弹性分类流水线进化,RECIPE)进行比较,表明由 AutoML-DSGE 生成的分类流水线的平均性能始终优于 RECIPE 的平均性能;在所用的 10 个数据集中有 3 个的差异具有统计显著性。
引用
@article{arxiv.2004.00307,
title = {Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical Evolution},
author = {Filipe Assunção and Nuno Lourenço and Bernardete Ribeiro and Penousal Machado},
journal= {arXiv preprint arXiv:2004.00307},
year = {2020}
}
备注
EvoApps 2020