Méta-apprentissage pour la sélection des meilleurs algorithmes de découverte causale
Versandkostenfrei!
Versandfertig in 6-10 Tagen
23,99 €
inkl. MwSt.
PAYBACK Punkte
12 °P sammeln!
La sélection du meilleur algorithme de découverte causale pour tout nouvel ensemble de données est un processus difficile et chronophage, car il nécessite que le chercheur dispose de connaissances préalables sur les algorithmes standard existants d'apprentissage de structures. Cette recherche propose une nouvelle approche de méta-apprentissage pour résoudre ce problème. Le méta-apprentissage consiste à apprendre des algorithmes d'apprentissage en utilisant différents types de métadonnées, telles que les propriétés du problème d'apprentissage, les mesures de performance de diffÃ...
La sélection du meilleur algorithme de découverte causale pour tout nouvel ensemble de données est un processus difficile et chronophage, car il nécessite que le chercheur dispose de connaissances préalables sur les algorithmes standard existants d'apprentissage de structures. Cette recherche propose une nouvelle approche de méta-apprentissage pour résoudre ce problème. Le méta-apprentissage consiste à apprendre des algorithmes d'apprentissage en utilisant différents types de métadonnées, telles que les propriétés du problème d'apprentissage, les mesures de performance de différents algorithmes et les modèles précédents dérivés des données, afin de sélectionner le meilleur algorithme ou une combinaison d'algorithmes d'apprentissage pour résoudre efficacement un problème d'apprentissage donné. Plusieurs réseaux bayésiens issus de la littérature ont été manipulés et échantillonnés afin de générer des milliers d'ensembles de données, dont des caractéristiques spécifiques ont été extraites pour le méta-apprentissage. Trois algorithmes d'apprentissage de structure standard ont été exécutés sur chacun des ensembles de données générés afin de découvrir les réseaux causaux sous-jacents, et leurs performances ont été évaluées. Grâce à nos nouvelles techniques, nous avons pu mettre en oeuvre un outil permettant de générer de nombreux modèles causaux, d'échantillonner de nombreux ensembles de données à partir de chaque modèle, puis de déterminer le meilleur algorithme ou une combinaison
Andere Kunden interessierten sich für
