Sélection de variables en apprentissage d’ordonnancement
Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d’ordonnancement et réduire les temps d’exécution sont des enjeux en apprentissage d’ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuse...
Salvato in:
| Autori principali: | , , |
|---|---|
| Natura: | Article ou chapitre numérique |
| Lingua: | Français |
| Pubblicazione: |
2015
|
| Soggetti: | |
| Accesso online: | Accès Université d'Orléans et IFPM |
| Riassunto: | Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d’ordonnancement et réduire les temps d’exécution sont des enjeux en apprentissage d’ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses dans ce cadre. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d’ordonnancement basées sur des approches de pondération des SVM en norme ℓ2. Nous proposons une adaptation d’une méthode ℓ2-AROM qui résout des SVM en norme ℓ0 et un algorithme de pondération de la norme ℓ2 qui résout les problèmes en norme ℓ0 et ℓ1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu’à 7 fois plus rapides et 10 fois plus parcimonieuses que l’état de l’art, pour des qualités d’ordonnancement équivalentes. |
|---|