Automatische Auswahl und Parameteroptimierung von mathematischen Modellen auf der Basis von maschinellem Lernen

Mit dem rasanten Fortschritt der Technologie des maschinellen Lernens (ML) sind immer mehr ML-Algorithmen entstanden, und die Komplexität der Modelle nimmt ebenfalls ständig zu. Dieser Entwicklungstrend bringt zwei bedeutende Herausforderungen in der Praxis mit sich: wie man geeignete Algorithmusmodelle auswählt und wie man Hyperparameter für diese Modelle optimiert. In diesem Zusammenhang ist das Konzept des automatisierten maschinellen Lernens (AutoML) entstanden. Aufgrund der Anwendbarkeit verschiedener Algorithmusmodelle auf unterschiedliche Datentypen und Problemszenarien ist es entscheidend, das am besten geeignete Modell automatisch basierend auf den Eigenschaften spezifischer Aufgaben auszuwählen. AutoML integriert mehrere ML-Algorithmen und filtert automatisch basierend auf den statistischen Eigenschaften von Daten und den Anforderungen der Aufgabe, mit dem Ziel, den Nutzern die beste Modellwahl-Lösung anzubieten. Hyperparameter sind Parameter, die ML-Modelle vor dem Training einstellen müssen, wie z.B. Lernrate, Anzahl der Iterationen, Regularisierungsstärke usw., die einen erheblichen Einfluss auf die Leistung des Modells haben. AutoML integriert fortschrittliche Techniken zur Hyperparameteroptimierung, um automatisch die optimale Parameterkombination zu finden, wodurch die Generalisierungsfähigkeit und die Vorhersagegenauigkeit des Modells verbessert werden. Dieser Artikel untersucht die automatische Auswahl und Parameteroptimierung von mathematischen Modellen auf der Basis von ML.