AutoML问题构成

来源：成都达内教育IT培训机构时间：2021/9/14 10:29:50

　　AutoML问题构成
　　AutoML的主要问题可以由三部分组成:特征工程、模型选择和算法选择。
　　特色工程
　　特色工程在机器学习中发挥着重要作用。AutoML自动化特征工程的目标是自动探索和构造相关特征，使模型具有较佳性能。此外，还包括特征选择、特征维度降低、特征生成和特征编码等特定特征增强方法。目前，这些步骤还没有达到自动化阶段。
　　这些步骤也伴随着一定的参数搜索空间。是方法自带的搜索空间，比如PCA自带的降维参数需要调整。二是特征生成时搜索空间会扩大。
　　选择模型
　　模型选择包括两个步骤:选择模型并设置其参数。相应地，AutoML的目的是自动选择较合适的模型，并设置其较佳参数。
　　算法选择
　　AutoML的目的是oML的目的是自动选择优化算法，以达到效率和精度的平衡。常用的优化方法有SGD、L-BFGS、GD等。使用哪种优化算法和相应的优化算法配置也需要一组搜索空间。
　　从全局来看

　　综合上述三个关键步骤，一个完整的AutoML过程可分为两大类：一类是将上述三个步骤整合为一个完整的pipeline；另一个是NetworkArchitectureSearch，它可以自动学习较好的网络结构。在学习过程中，优化了以上三个问题。

AutoML问题构成

　　评价策略
　　基本评价策略：
　　AutoML在设计评价策略时主要回答三个问题：
　　·这个策略能评价吗？
　　·这种策略能提供准确的评价吗？
　　·这个策略需要什么样的反馈？
　　基本评价策略包括:
　　1.直接评价:直接评价目标数据，这是较常用的策略；
　　2.采样：当数据样本量很大时，对一些样本进行评价；
　　3.EarlyStop：当遇到一些极端情况使网络表现不佳时，可考虑进行earlyStop；
　　4.参数重用:将之前学过的参数重用到新任务中，两种任务配置相似时可以使用；
　　5.共轭评价:对于一些可量化的配置，可以采用共轭评价法。
　　评价策略：
　　评价策略主要包括两种:Meta-learning和TransferLearning。
　　1.Meta-learning法：从以往的学习经验中提取基本参数和结构配置；
　　2.Transferlearning法：从以前的学习经验中提取一些可重用的知识。

领取试听课

每天限量名额，先到先得

尊重原创文章，转载请注明出处与链接：http://www.peixun360.com/3857/news/409954/违者必究！以上就是成都达内教育IT培训机构小编为您整理 AutoML问题构成的全部内容。