非正态误差分布对量子机器学习模型基准测试与排序的影响
数据分析、统计与概率
2020-09-29 v3 化学物理
计算物理
摘要
量子机器学习模型在原子尺度模拟领域中正获得显著关注。通常，使用学习曲线（预测误差 vs. 训练集大小）来评估和比较模型的相对性能。本文阐明了使用平均绝对误差（MAE）进行基准测试的局限性，这在非正态误差分布的情况下尤为相关。我们更具体地分析了以 SLATM 表示和 L2 距离度量的核岭回归（KRR-SLATM-L2）对 QM7b 分子在 CCSD(T)/cc-pVDZ 理论水平下有效原子化能的预测误差分布。还评估了相同基组下 HF 和 MP2 相对于 CCSD(T) 值的误差分布，并与 KRR 模型进行比较。我们表明，KRR-SLATM-L2 方法在 QM7b 数据集上的真实性能很难通过平均绝对误差得到恰当评估，并且在调整学习集后可显著改善。
引用
@article{arxiv.2004.02524,
title = {Impact of non-normal error distributions on the benchmarking and ranking of Quantum Machine Learning models},
author = {Pascal Pernot and Bing Huang and Andreas Savin},
journal= {arXiv preprint arXiv:2004.02524},
year = {2020}
}