Você está aqui: Página Inicial / Pós-Graduação / Informática / Temas de Pesquisa / Temas de pesquisa 2020.1 / Meta-aprendizado para recomendação de hiperparâmetros

Meta-aprendizado para recomendação de hiperparâmetros

Prof. Dr. Bruno Pimentel

Resumo:

Na literatura de Aprendizagem de Máquina, diversos algoritmos foram criados, cada um buscando ter um melhor desempenho em um terminado tipo de problema, isto porque um algoritmo de Aprendizagem de Máquina tem o seu próprio viés. Dessa forma, para cada problema, é preciso avaliar qual algoritmo (ou um subconjunto deles) é mais adequado. Similarmente, algoritmos possuem hiper-parâmetros que precisam ser refinados para ter um bom desempenho. Entretanto, analisar uma ampla variedade de algoritmos ou de hiper-parâmetros pode ser custoso computacionalmente, assim surge a área de Meta-aprendizado capaz de recomendar algoritmos ou hiper-parâmetros para um novo conjunto de dados. O objetivo desse projeto é propor novas técnicas para recomendação de hiper-parâmetros de algoritmos de Aprendizagem de Máquina.

 

Referências bibliográficas:

[1] Mantovani, R. G., Rossi, A. L., Vanschoren, J., Bischl, B., & Carvalho, A. C. (2015, July). To tune or not to tune: recommending when to adjust SVM hyper-parameters via meta-learning. In 2015 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). Ieee.

[2] Pimentel, B. A., & de Carvalho, A. C. (2019). A new data characterization for selecting clustering algorithms using meta-learning. Information Sciences, 477, 203-219.