Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2016 | OriginalPaper | Buchkapitel

Algorithm Selection Using Performance and Run Time Behavior

verfasst von : Tri Doan, Jugal Kalita

Erschienen in: Artificial Intelligence: Methodology, Systems, and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In data mining, an important early decision for a user to make is to choose an appropriate technique for analyzing the dataset at hand so that generalizations can be learned. Intuitively, a trial-and-error approach becomes impractical when the number of data mining algorithms is large while experts’ advice to choose among them is not always available and affordable. Our approach is based on meta-learning, a way to learn from prior learning experience. We propose a new approach using regression to obtain a ranked list of algorithms based on data characteristics and past performance of algorithms in classification tasks. We consider both accuracy and time in generating the final ranked result for classification, although our approach can be extended to regression problems.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Erratum to: A Novel Method for Extracting Feature Opinion Pairs for Turkish
Nächstes Kapitel A Weighted Feature Selection Method for Instance-Based Classification
Literatur
1.
Abdulrahman, M., Brazdil, P.: Measures for combining accuracy and time for meta-learning. In: ECAI, p. 49 (2014)
2.
Bensusan, H., Kalousis, A.: Estimating the predictive accuracy of a classifier. In: Flach, P.A., De Raedt, L. (eds.) ECML 2001. LNCS (LNAI), vol. 2167, pp. 25–36. Springer, Heidelberg (2001)CrossRef
3.
Brazdil, P.B., Soares, C., Da Costa, J.P.: Ranking learning algorithms: using IBL and meta-learning on accuracy and time results. Mach. Learn. 50(3), 251–277 (2003)CrossRefMATH
4.
Caruana, R., Niculescu-Mizil, A.: Data mining in metric space: an empirical analysis of supervised learning performance criteria. In: Proceedings of the Tenth ACM SIGKDD. ACM (2004)
5.
Cutler, A., Zhao, G.: Fast classification using perfect random trees. Utah State University (1999)
6.
Dinu, L.P., Iuga, I.: The naive bayes classifier in opinion mining: in search of the best feature set. In: Gelbukh, A. (ed.) CICLing 2012, Part I. LNCS, vol. 7181, pp. 556–567. Springer, Heidelberg (2012)CrossRef
7.
8.
Feurer, M., Springenberg, J.T., Hutter, F.: Using meta-learning to initialize bayesian optimization of hyperparameters. In: ECAI Workshop (MetaSel) (2014)
9.
Frank, E., Hall, M., Pfahringer, B.: Locally weighted naive bayes. In: Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence, pp. 249–256. Morgan Kaufmann Publishers Inc., Burlington (2002)
10.
11.
Gama, J., Brazdil, P.: Characterization of classification algorithms. In: Pinto-Ferreira, C., Mamede, N.J. (eds.) EPIA 1995. LNCS, vol. 990, pp. 189–200. Springer, Heidelberg (1995)CrossRef
12.
Hall, M., Frank, E.: The WEKA data mining software: an update. ACM SIGKDD Explor. Newslett. 11(1), 10–18 (2009)MathSciNetCrossRef
13.
14.
15.
Leite, R., Brazdil, P., Vanschoren, J.: Selecting classification algorithms with active testing. In: Perner, P. (ed.) MLDM 2012. LNCS, vol. 7376, pp. 117–131. Springer, Heidelberg (2012)CrossRef
16.
Maas, A.L., Daly, R.E., Pham, P.T., Huang, D., Ng, A.Y., Potts, C.: Learning word vectors for sentiment analysis. In: 49th ACL, pp. 142–150 (2011)
17.
Prudêncio, R.B.C., de Souto, M.C.P., Ludermir, T.B.: Selecting machine learning algorithms using the ranking meta-learning approach. In: Jankowski, N., Duch, W., Gra̧bczewski, K. (eds.) Meta-Learning in Computational Intelligence. SCI, vol. 358, pp. 225–243. Springer, Heidelberg (2011)CrossRef
18.
Quinlan, J.R.: Combining instance-based and model-based learning. In: Proceedings of the Tenth International Conference on Machine Learning (1993)
19.
Smola, A.J., et al.: Regression estimation with support vector learning machines. Master’s thesis, Technische Universit at München (1996)
20.
Sorzano, C.O.S., Vargas, J., Montano, A.P.: A survey of dimensionality reduction techniques. arXiv preprint (2014). arXiv:​1403.​2877
21.
Thornton, C., Hutter, F., Hoos, H.H., Leyton-Brown, K.: Auto-WEKA: combined selection and hyperparameter optimization of classification algorithms. In: 19th SIGKDD. ACM (2013)
22.
Wolpert, D., Macready, W.: No free lunch theorems for optimization. IEEE Trans. Evol. Comput. 1(1), 67–82 (1997)CrossRef
23.
You, Z.H., Lei, Y.K., Zhu, L., Xia, J., Wang, B.: Prediction of protein-protein interactions from amino acid sequences with ensemble extreme learning machines and principal component analysis. BMC Bioinform. 14(8), 1 (2013)
Metadaten
Titel
Algorithm Selection Using Performance and Run Time Behavior
verfasst von
Tri Doan
Jugal Kalita
Copyright-Jahr
2016
Buch
Artificial Intelligence: Methodology, Systems, and Applications

Print ISBN: 978-3-319-44747-6

Electronic ISBN: 978-3-319-44748-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-44748-3_1

Premium Partner

    Bildnachweise