SPXY

新方法改进AutoML数据集划分，以实现更好的模型评估

一篇新的研究论文探讨了在自动化机器学习（AutoML）中划分数据集的方法，以确保更准确的模型评估。该研究将五种现有策略，包括随机划分和分层抽样，与Kennard-Stone、Duplex和SPXY等几何方法进行了比较。研究人员发现，几何方法可能由于接近零的相似度得分而导致性能估计不稳定。他们提出了一种新的“Optimised-Distribution”方法，该方法优先考虑统计相似性，达到了89.0%的平均MMD相似度得分，高于其他评估策略。