【CloudWorld 2022】自動化機器學習與可解釋性

Find AI Tools
No difficulty
No complicated process
Find ai tools

【CloudWorld 2022】自動化機器學習與可解釋性

目錄

  1. 什麼是自動機器學習和可解釋性
  2. 傳統的數據科學管道
  3. 自動機器學習的工作流程
  4. 自動機器學習的算法選擇
  5. 自動機器學習的超參數調整
  6. 自動機器學習的自適應數據減少
  7. 自動機器學習的特徵選擇
  8. 自動機器學習的結果和比較
  9. 自動機器學習的可解釋性
  10. 自動機器學習在Oracle平台的應用

自動機器學習和解釋性

在這篇文章中,我們將介紹自動機器學習和可解釋性。自動機器學習是一種讓機器能夠自動學習和改進的技術,它可以幫助我們解決許多機器學習問題。然而,傳統的數據科學管道存在一些問題,如模型的選擇和參數設置等。自動機器學習的出現解決了這些問題,使得模型的選擇和訓練變得更加容易和自動化。

傳統的數據科學管道

在傳統的數據科學管道中,我們需要將數據交給數據科學家來解決機器學習問題。在解決這個問題的過程中,數據科學家可能會遇到一系列的問題,例如使用哪種模型,數據集的特徵是否有效,以及使用哪種參數設置等。此外,當使用模型進行預測時,我們還需要回答一系列額外的問題,例如我們是否應該信任該模型,它是否學到了正確的東西,是否公平,以及是否符合監管要求等。

自動機器學習的工作流程

自動機器學習旨在讓這一切對用戶來說變得更加容易使用。您只需要提供一組數據,我們將自動選擇最佳模型為您進行訓練,優化其超參數,然後返回一個完全訓練的模型。此外,我們還提供解釋來幫助您了解模型學到了什麼。使用自動機器學習非常簡單,只需要導入流程,初始化它,並傳遞數據集即可。

自動機器學習的算法選擇

在自動機器學習中,我們專注於提供易於使用的界面。我們將問題分解為一系列步驟,並根據每個步驟的解決情況來進行建模。傳統的自動機器學習方法會嘗試一次性解決整個問題,而我們則將其分為獨立且易於解決的步驟,並在解決一個步驟後不再返回它。

自動機器學習的超參數調整

在自動機器學習中,模型的選擇和訓練是一個很大的問題。傳統的方法會嘗試各種不同的模型和超參數設置,這需要很長的時間才能找到正確的答案。我們將超參數調整分為兩個步驟:第一步是使用預設超參數進行輕量級元學習,找到一組較好的默認參數;第二步是針對這一組參數進行微調,以獲得最佳性能。此外,我們還做了一些工作來改善運行時間,例如自適應數據減少等。

自動機器學習的自適應數據減少

在自動機器學習中,我們通過自適應抽樣和特徵選擇來改善運行時間。自適應抽樣用於確定在訓練模型時應使用的最佳數據集大小。我們可以從一個小數據集開始,然後使用越來越多的數據集來訓練模型,直到觀察到模型性能不再提高為止。特徵選擇的目的是降低數據集的特徵數量,這不僅可以改善運行時間,還可以通過減少過擬合來提高模型的準確性。

自動機器學習的結果和比較

我們將自動機器學習的結果與其他AutoML解決方案進行了比較,如H2O和Auto-sklearn。比較結果顯示,我們的方法在不同的時間預算下找到了更好的解決方案。此外,我們還發現我們的方法運行速度約為其他方法的三倍,並且得到了更好的分數。

自動機器學習的可解釋性

我們提供了多種不同的解釋選項,以幫助您了解模型學到了什麼。我們可以顯示全局特徵重要性,局部預測級別的特徵重要性,以及特徵對模型預測的平均影響等。這些解釋都可以自動生成,您只需要告訴我們你想解釋哪些特徵。

自動機器學習在Oracle平台的應用

自動機器學習和可解釋性在Oracle平台上得到了廣泛的應用。例如,在Oracle Autonomous Database中,我們可以利用自動機器學習來改進數據庫中的性能和分析功能。此外,自動機器學習還可以應用於Oracle Transportation Management等各種應用領域。

這就是關於自動機器學習和可解釋性的介紹。如果您想了解更多有關自動機器學習和解釋性的信息,請查看我們的其他會議和課程。

資源:

Most people like

Are you spending too much time looking for ai tools?
App rating
4.9
AI Tools
100k+
Trusted Users
5000+
WHY YOU SHOULD CHOOSE TOOLIFY

TOOLIFY is the best ai tool source.