基于 AutoxgboostMC 的多目标自动机器学习
机器学习
2021-05-03 v2 机器学习
摘要
AutoML 系统目前正日益流行，因为它们无需人工监督即可构建强大的模型。它们通常结合机器学习许多不同子领域的技术，以寻找优化用户给定准则（如预测性能）的模型或模型集。此类系统的最终目标是减少花费在琐碎任务或可由算法更好解决的任务上的时间，同时将需要人类智能的决策留给最终用户。近年来，其他准则（如公平性和可解释性等众多准则）的重要性愈发明显。当前的 AutoML 框架要么不允许优化此类次要准则，要么仅通过限制系统对模型和预处理步骤的选择来做到这一点。我们提议直接优化用户定义的附加准则，以引导搜索朝向最优机器学习流水线。为证明我们方法的必要性与有用性，我们提供了一个简单的多准则 AutoML 系统并展示了一个示例应用。
引用
@article{arxiv.1908.10796,
title = {Multi-Objective Automatic Machine Learning with AutoxgboostMC},
author = {Florian Pfisterer and Stefan Coors and Janek Thomas and Bernd Bischl},
journal= {arXiv preprint arXiv:1908.10796},
year = {2021}
}
备注
Accepted at Ecmlpkdd Workshop on Automating Data Science 2019