PulseAugur
中
实时 08:56:29
English(EN) Enhancing Automated Machine Learning via Homogeneous Train-Test Splitting Methods

新研究优化训练-测试拆分以改进 AutoML 评估

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新研究论文探讨了在机器学习中拆分数据集以改进模型评估的方法，特别适用于具有类别不平衡或自然聚类的数据集。该研究比较了五种已建立的拆分策略，包括随机拆分、分层抽样、Kennard-Stone、Duplex 和 SPXY，并使用卡方检验、Kolmogorov-Smirnov 检验和最大均值差异 (MMD) 检验评估它们的统计相似性。结果表明，基于几何的方法可能会引入不稳定性，而提出的“优化分布”(Optimised-Distribution) 方法旨在将优化相似性作为一个明确的目标，实现了高平均 MMD 相似性得分。 AI

影响 通过解决数据集拆分问题来提高 AutoML 模型评估的可靠性。

排序理由 学术论文，详细介绍了机器学习数据集拆分的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究优化训练-测试拆分以改进 AutoML 评估

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Yearn Tan Yin Tze, Charles Grellois ·

    通过同质训练-测试划分方法增强自动化机器学习

    arXiv:2607.26625v1 Announce Type: new Abstract: Accurate model evaluation in machine learning depends critically on how datasets are split into training and testing subsets. Standard random splitting assumes that both partitions share the same underlying distribution, an assumpti…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    Enhancing Automated Machine Learning via Homogeneous Train-Test Splitting Methods

    Accurate model evaluation in machine learning depends critically on how datasets are split into training and testing subsets. Standard random splitting assumes that both partitions share the same underlying distribution, an assumption often violated in datasets with class imbalan…

相关实体

相关话题