Метаобучение для выбора лучших алгоритмов обнаружения причинно-следственных связей

• Автор: Сенфума, Уильям
• Издатель: LAP LAMBERT Academic Publishing
• Дата выпуска : 2016-08-08
• Количество страниц: 64
• Размеры: 15 x 0,4 x 22
• Язык: Английский: Опубликовано; Английский: язык оригинала; Английский
• ISBN: 9783659935107

Выбор лучшего алгоритма причинно-следственной связи для любого нового набора данных — сложный и трудоемкий процесс, поскольку он требует от исследователя предварительных знаний о существующих стандартных алгоритмах обучения структур. Это исследование предложило новый подход к этой проблеме с помощью метаобучения. Метаобучение относится к изучению алгоритмов обучения, при котором различные виды метаданных, такие как свойства задачи обучения, показатели производительности различных алгоритмов и предыдущие шаблоны, полученные на основе данных, используются для выбора лучшего или комбинации алгоритмов обучения для эффективно решать поставленную учебную задачу. Несколько байесовских сетей в литературе были подвергнуты манипуляциям, отобраны для создания тысяч наборов данных, и из каждой были извлечены конкретные функции для метаобучения. Три стандартных алгоритма обучения структур были запущены в каждом из сгенерированных наборов данных для обнаружения лежащих в их основе причинных сетей и оценена их производительность. Благодаря нашим новым методам мы смогли реализовать инструмент для создания множества причинно-следственных моделей, выборки множества наборов данных из каждой модели, а затем определить лучший или комбинированный алгоритм для новых наборов данных посредством метаобучения.