أوتو-ويكا

توجد العديد من خوارزميات التعلم الآلي المختلفة؛ وعند الأخذ في الاعتبار المعلمات الفائقة لكل خوارزمية، هناك عدد هائل من البدائل الممكنة بشكل عام. نحن ندرس مشكلة اختيار خوارزمية التعلم وضبط معلماتها الفائقة في آن واحد، وذلك متجاوزين الأعمال السابقة التي تتعامل مع هذه القضايا بشكل منفصل. نُظهر أن هذه المشكلة يمكن التعامل معها من خلال نهج مؤتمت بالكامل، مستفيدين من الابتكارات الحديثة في التحسين الاحتمالي البايزي. على وجه التحديد، ندرس مجموعة واسعة من تقنيات اختيار الميزات (بدمج 3 طرق بحث و8 طرق تقييم) وجميع أساليب التصنيف المطبقة في التوزيع القياسي لـ WEKA، والتي تشمل طريقتين تجميعيتين، و10 طرق ميتا، و27 مصنفًا أساسيًا، بالإضافة إلى إعدادات المعلمات الفائقة لكل مصنف. على كل من 21 مجموعة بيانات شهيرة من مستودع UCI، وكأس KDD 09، وأنواع من مجموعة بيانات MNIST وCIFAR-10، نُظهر أداء تصنيف غالبًا ما يكون أفضل بكثير من استخدام طرق الاختيار والضبط التقليدية للمعلمات الفائقة. نأمل أن يساعد نهجنا المستخدمين غير الخبراء على التعرف بشكل أكثر فعالية على خوارزميات التعلم الآلي وإعدادات المعلمات الفائقة المناسبة لتطبيقاتهم، ومن ثم تحقيق أداء محسّن.