Abstract
In den letzten Jahren haben viele Softwarebibliotheken für automatisiertes maschinelles Lernen (AutoML), wie zum Beispiel H2O AutoML oder Auto-Sklearn, zusehends an Beliebtheit gewonnen. Sie versprechen den ML-Workflow erheblich zu vereinfachen und dabei die erforderliche Zeit für ein händische Feature Engineering, Hyperparameter-Tuning sowie eine abschließende Modellauswahl und -bewertung nachhaltig zu reduzieren. Einer der jüngeren und daher weniger bekannten Vertreter ist Microsofts ML.NET, über dessen Model Builder API kaum Literatur und noch weniger Performancevergleiche existieren. Dieses Paper fasst die grundlegenden Funktionalitäten von AutoML-Frameworks zusammen und diskutiert allgemeine Anforderungen an automatisiertes maschinelles Lernen näher im Detail. Anschließend wird ML.NET mit bereits etablierte AutoML-Bibliotheken anhand einiger Datensätze aus dem Bereich des überwachten Lernens hinsichtlich der Modellqualität, des Funktionsumfangs der API und des erforderlichen Ressourcenbedarf verglichen.
Titel in Übersetzung | Performancevergleich von Microsofts AutoML API |
---|---|
Originalsprache | Englisch |
Titel | 35th European Modeling and Simulation Symposium, EMSS 2023 |
Redakteure/-innen | Michael Affenzeller, Agostino G. Bruzzone, Emilio Jimenez, Francesco Longo, Antonella Petrillo |
Herausgeber (Verlag) | DIME UNIVERSITY OF GENOA |
ISBN (elektronisch) | 9788885741881 |
DOIs | |
Publikationsstatus | Veröffentlicht - 2023 |
Veranstaltung | 35th European Modeling and Simulation Symposium - Divani Caravel Hotel, Athen, Griechenland Dauer: 18 Sep. 2023 → 20 Sep. 2023 https://www.msc-les.org/emss2023/ |
Publikationsreihe
Name | European Modeling and Simulation Symposium, EMSS |
---|---|
Band | 2023-September |
ISSN (Print) | 2305-2023 |
Konferenz
Konferenz | 35th European Modeling and Simulation Symposium |
---|---|
Kurztitel | EMSS 2023 |
Land/Gebiet | Griechenland |
Ort | Athen |
Zeitraum | 18.09.2023 → 20.09.2023 |
Internetadresse |
Schlagwörter
- Automated Machine Learning
- Microsoft AutoML
- Performance Comparison
- Hyperparameter Tuning