匹配问题与解决方案：一种可解释的机器学习问题解决方法
机器学习
2024-09-20 v2 人工智能
摘要
来自各个领域的专家需要与数据科学家合作，探索使用 ML 技术解决其问题。从领域问题/问题开始，基于 ML 的问题解决通常涉及三个步骤：(1) 将业务问题 (问题域) 表述为数据分析问题 (解域)，(2) 给定领域要求和可用数据属性，勾勒出一种基于 ML 的高层次解决方案模式，(3)设计并细化解决方案模式的不同组件。必须有一个相当大的 ML 问题解决知识库，ML 研究人员达成共识，并在日常实践中用于解决最常见的问题。我们的工作涉及捕获这一知识库，并将其体现在用于帮助非 ML 专家的领域专家探索 ML 解决方案空间的工作台中。本文重点关注：1) 领域问题、ML 问题以及主要 ML 解决方案构件的表示，以及 2) 帮助识别最适合手头领域问题的 ML 算法族的启发式匹配函数，该函数基于领域 (专家) 要求和训练数据的特性。我们审阅了相关工作，概述了验证工作台的策略。
引用
@article{arxiv.2406.15662,
title = {Matching Problems to Solutions: An Explainable Way of Solving Machine Learning Problems},
author = {Lokman Saleh and Hafedh Mili and Mounir Boukadoum and Abderrahmane Leshob},
journal= {arXiv preprint arXiv:2406.15662},
year = {2024}
}