Performance Comparison of Microsoft’s AutoML API

Titel in Übersetzung: Performancevergleich von Microsofts AutoML API

Publikation: Beitrag in Buch/Bericht/TagungsbandKonferenzbeitragBegutachtung

1 Zitat (Scopus)

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 ÜbersetzungPerformancevergleich von Microsofts AutoML API
OriginalspracheEnglisch
Titel35th European Modeling and Simulation Symposium, EMSS 2023
Redakteure/-innenMichael Affenzeller, Agostino G. Bruzzone, Emilio Jimenez, Francesco Longo, Antonella Petrillo
Herausgeber (Verlag)DIME UNIVERSITY OF GENOA
ISBN (elektronisch)9788885741881
DOIs
PublikationsstatusVeröffentlicht - 2023
Veranstaltung35th European Modeling and Simulation Symposium - Divani Caravel Hotel, Athen, Griechenland
Dauer: 18 Sep. 202320 Sep. 2023
https://www.msc-les.org/emss2023/

Publikationsreihe

NameEuropean Modeling and Simulation Symposium, EMSS
Band2023-September
ISSN (Print)2305-2023

Konferenz

Konferenz35th European Modeling and Simulation Symposium
KurztitelEMSS 2023
Land/GebietGriechenland
OrtAthen
Zeitraum18.09.202320.09.2023
Internetadresse

Schlagwörter

  • Automated Machine Learning
  • Microsoft AutoML
  • Performance Comparison
  • Hyperparameter Tuning

Fingerprint

Untersuchen Sie die Forschungsthemen von „Performancevergleich von Microsofts AutoML API“. Zusammen bilden sie einen einzigartigen Fingerprint.

Zitieren