Cheat Sheets

Erste Schritte mit AutoML mit MATLAB

Gründe für AutoML

Mit automatisiertem Machine Learning (AutoML) können Sie komplexe und iterative Schritte im Modellierungs-Workflow automatisieren, ohne dass Sie über spezielles Fachwissen im Bereich Machine Learning verfügen müssen.

Die Grenzen beim Einsatz von Machine Learning:

  • Hohe Kosten für erforderliches Fachwissen
  • Inkrementeller iterativer Workflow
  • Manuelle Optimierung für viele Modelle nicht durchführbar

Vorteile von AutoML

  • Ingenieure und Fachexperten mit wenig oder keiner Fachkenntnis können passable Modelle erstellen.
  • Machine-Learning-Experten sparen wertvolle Zeit.
  • Anwendungen, die viele optimierte Modelle erfordern, können realisiert werden.

Ansätze zur Automatisierung der Modellerstellung

Automatisieren Sie den Prozess der Erstellung optimierter Machine-Learning-Modelle in drei Schritten.

1. Merkmalsextraktion

Wavelet

Wavelets zerlegen komplexe Signale.

Wavelet-Streuung

Dieses Diagramm veranschaulicht den Prozess der Extraktion von Merkmalen aus einem Signal mithilfe eines Frameworks zur Wavelet-Streuung. 
sf = waveletScattering (SignalLength);
Loop over signal
   waveletFeature = featureMatrix(sf,signal)
   Append waveletFeature to feature table
   Add labels 
end

2. Merkmalsauswahl

Analyse der Nebenkomponenten

Identifizieren Sie eine kleine Teilmenge von Merkmalen mit hoher Vorhersagekraft.

fscnca(data, labels, 'Lambda');
find(mdl.FeatureWeights > 0.2)
Die NCA unterstützt die Auswahl der Merkmale, mit denen die Genauigkeit des Modells weitgehend erhalten bleibt.

Auch verfügbar:

  • Max Relevance Min Redundancy
  • ReliefF
  • Schrittweise Auswahl

3. Modellauswahl

Ermitteln Sie das beste Modell in nur einem Schritt:

  • Zur Klassifizierung: fitcauto(data, labels, 'Options', …)
  • Zur Regression: fitrauto

Möglichkeiten

  • Begrenzung der Optimierungsiterationen:
    MaxObjectiveEvaluations
  • Aktivieren der parallelen Ausführung:
    UseParallel
  • Speichern des Modells nach jeder Iteration:
    SaveIntermediateResults
  • Begrenzen der zu berücksichtigenden Modelle und Hyperparameter:
    Learners / OptimizeHyperparameters
  • Anzeigen von Fehlern:
    ShowPlots
Weitere Informationen