面向心血管疾病分类的高效混合超参数调优方法
机器学习
2026-05-19 v2 人工智能
性能
统计计算
摘要
心血管疾病（CVD）是一类严重的心脏疾病，需要准确诊断以防止致命后果。超参数调优在通过选择最合适的参数组合来提高机器学习模型性能方面发挥着关键作用，从而提高准确性、泛化性和可靠性。网格搜索系统地评估预定义的超参数组合，而随机搜索从搜索空间中随机抽取配置，实现更广泛的探索并降低计算成本。因此，在开发分类模型时，一个高效调优策略对于在准确性和预测能力之间取得平衡至关重要。在本工作中，我们提出了一种新的超参数调优方法，用于 CVD 分类的机器学习模型。该方法称为随机网格搜索，将随机搜索探索全局空间的优势与网格搜索在最有希望的区域进行的聚焦和穷尽搜索相结合。这种混合方法在探索与开发之间找到了最佳平衡，为分类场景提供了一个稳健且高效的机器学习模型。在最先进的模型上进行的实验结果表明，随机化网格搜索的性能优于传统超参数调优方法。除了在模型性能方面所见的改进外，训练模型所需的计算时间在大多数模型中显著降低。本研究提出的技术强调了降低训练时间和计算效率的潜力，为提供及时准确的 CVD 诊断具有重要潜力。
引用
@article{arxiv.2411.18234,
title = {Time-Efficient Hybrid Hyperparameter Tuning Approach for Cardiovascular Disease Classification},
author = {Abhay Kumar Pathak and Mrityunjay Chaubey and Manjari Gupta},
journal= {arXiv preprint arXiv:2411.18234},
year = {2026}
}