具有 nmin 自适应机制的 Hoeffding 树
机器学习
2018-08-06 v1 机器学习
摘要
机器学习软件消耗了数据中心中相当大比例的能源。这些算法通常针对预测性能（即准确率）和可扩展性进行优化。数据流挖掘算法便是如此。尽管这些算法能适应 incoming 数据，但它们从执行开始就具有固定参数。我们观察到，固定参数会导致不必要的计算，从而使算法的能源效率低下。本文提出针对 Hoeffding 树的 nmin 自适应方法。该方法调整 nmin 参数的值，而该参数显著影响算法的能耗。该方法减少了不必要的计算和内存访问，从而降低了能耗，而准确率仅受到微小影响。我们通过实验将 VFDT（Very Fast Decision Tree，首个 Hoeffding 树算法）和 CVFDT（Concept-adapting VFDT）与 VFDT-nmin（带 nmin 自适应的 VFDT）进行比较。结果表明，VFDT-nmin 比标准 VFDT 最多节省 27% 的能耗，比 CVFDT 最多节省 92% 的能耗，仅在少数数据集上损失几个百分点的准确率。
引用
@article{arxiv.1808.01145,
title = {Hoeffding Trees with nmin adaptation},
author = {Eva García-Martín and Niklas Lavesson and Håkan Grahn and Emiliano Casalicchio and Veselka Boeva},
journal= {arXiv preprint arXiv:1808.01145},
year = {2018}
}
备注
Accepted at: The 5th IEEE International Conference on Data Science and Advanced Analytics (DSAA 2018)