面向多目标回归问题的元学习
机器学习
2019-07-29 v1 机器学习
摘要
近年来开发了若干多目标回归方法，旨在通过挖掘问题内的目标间相关性来提升预测性能。然而，这些方法无一能在所有问题上优于其他。这促使了自动推荐最合适多目标回归方法的发展。本文提出一种元学习系统，用于为给定多目标回归问题推荐最佳预测方法。我们使用由总计 648 个合成数据集生成的元数据集进行实验。这些数据集的创建旨在探索不同的目标间特征，以推荐最有前景的方法。实验中，我们评估了四种具有不同偏置的算法作为元学习器。我们的元数据集由 58 个元特征组成，基于：统计信息、相关性特征、线性地标、数据分布与平滑性，并具有四种不同元标签。结果表明，所诱导的元模型能够为不同基级数据集推荐最佳方法，使用 Random Forest 元模型时平衡准确率超过 70%，且在统计上优于元学习基线。
引用
@article{arxiv.1907.11277,
title = {Towards meta-learning for multi-target regression problems},
author = {Gabriel Jonas Aguiar and Everton José Santana and Saulo Martiello Mastelini and Rafael Gomes Mantovani and Sylvio Barbon},
journal= {arXiv preprint arXiv:1907.11277},
year = {2019}
}
备注
To appear on the 8th Brazilian Conference on Intelligent Systems (BRACIS)