Jun, 2017

基于单按钮技术的关系数据库特征工程自动化机器

PDF
TL;DR本文介绍了一种名为 One Button Machine (OneBM) 的系统，该系统可以自动从关系数据库中发现有用的特征，通过在三个 Kaggle 比赛中的表现表明其在预测准确性和排名方面优于现有最先进的系统。这个系统可以帮助数据科学家减少数据探索时间，并使非专家快速提取数据的价值。
feature engineeringone button machineautomated feature discoveryrelational databasespredictive analytics
发现论文，激发创造
  • 交叉特征选择消除虚假交互作用和单特征占主导地位的可解释提升机

    通过使用替代交叉功能选择、集成功能和模型配置技术等新方法，改进了可解释性较强的 EBM 模型，以提高其可靠性和解释性，并在三个基准数据集上进行了验证。

    Jul, 2023

  • AutoField: 深度推荐系统中的特征选择自动化

    本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

    Apr, 2022

  • OBOE：自动机器学习模型选择的协同过滤

    本文介绍一种基于协同过滤的自动机器学习方法 OBOE，它可以在时间限制内选择合适的算法和超参数，并在有限数量的模型拟合或总时间预算的约束下找到良好的模型，相比其他竞争方法，OBOE 有更快的处理速度和更好的性能。

    Aug, 2018

  • 自适应贝叶斯线性回归在自动化机器学习中的应用

    本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

    Apr, 2019

  • 自动化机器学习：业务分析中的 AI 决策

    本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

    May, 2022

  • 数据探索任务的通用潜在特征建模

    提出一种适用于异构数据的通用贝叶斯非参数潜在特征模型，能自动进行探索性分析，并能从数据自动推断模型复杂度。

    Jul, 2017

  • 自动数据科学中的语义调研

    本文介绍了当前自动化数据科学和机器学习的重要缺陷，并讨论了如何利用基本的语义推理和新型数据科学自动化工具相结合来帮助数据扩充和转换的一致性和可解释性。此外，语义可以通过帮助解决信任、偏见和可解释性方面的挑战，以一种新的方式协助数据科学家。

    May, 2022

  • 使用深度学习进行数据库管理系统的自动调优

    通过使用 OtterTune 自动化工具，利用监督和无监督机器学习技术实现对数据库系统配置的自动管理，并通过对比实验证明，其生成的配置与人工专家配置相当或甚至更优，本文则是在原有的自动化技术基础上，利用机器学习方法进一步优化了新的数据库系统的部署，特别是在准确性预估上。

    Jun, 2023

  • 自动特征工程的学习特征重要性评分

    自动化的特征工程框架 AutoMAN 通过有效地探索候选转换空间并学习特征重要性掩码，将数据集的任务目标直接整合进特征工程，从而实现了与替代方法相比具有更高的准确性和更低的延迟。

    Jun, 2024

  • 自动化机器学习的概率矩阵分解

    本文提出结合协同过滤和贝叶斯优化的方法，利用概率矩阵分解和贝叶斯优化选取数据预处理方法和机器学习模型，以自动化地完成机器学习管道的选择和调整任务，实现了在多个数据集上大幅超越现有最佳方法的性能。

    May, 2017