极端AutoML：分类、回归与NLP性能分析
机器学习
2024-12-12 v2 人工智能
摘要
利用机器学习技术始终需要选择超参数。无论是使用KNN等经典技术还是深度学习等现代神经网络都是如此。尽管在许多应用中超参数由人工选择，但自动化方法已变得越来越普遍。这些自动化方法统称为自动化机器学习（AutoML）。多种自动选择算法已显示出与最先进方法相当或更优的性能。这一突破推动了基于深度学习的云服务（如Google AutoML）的发展，后者被广泛认为是AutoML服务行业的领导者。极限学习机（ELMs）采用根本不同的神经网络架构，以显著降低的计算成本产生更好的结果。我们将极端AutoML技术与Google AutoML在加州大学欧文分校（UCI）仓库中的多个流行分类数据集及其他若干数据集上进行了基准测试，在准确率、Jaccard指数、各分类Jaccard指数的方差（即类方差）以及训练时间方面观察到极端AutoML的显著优势。
引用
@article{arxiv.2412.07000,
title = {Extreme AutoML: Analysis of Classification, Regression, and NLP Performance},
author = {Edward Ratner and Elliot Farmer and Brandon Warner and Christopher Douglas and Amaury Lendasse},
journal= {arXiv preprint arXiv:2412.07000},
year = {2024}
}
备注
8 pages, 7 figures