机构名称：
¥ 1.0
摘要。算法选择是指自动从一组候选算法中求解合并问题实例的最合适算法的任务。在这里，通常根据算法的运行时间来衡量适用性。为了在新问题实例上选择算法，对机器学习模式进行了对先前观察到的性能数据的培训，然后用于预测算法的性能。由于计算效率，这种算法的执行通常会过早终止，从而导致右键观察值代表实际运行时的下限。简单地忽略了这些审查的样本会导致过度乐观的模型，以精确的假设价值（例如常用的惩罚平均跑步时间）将其推定为一种相当任意的和有偏见的方法。在本文中，我们基于所谓的超级学习提出了一种简单的回归方法，其中右审查的运行时数据是根据间隔值的观察结果明确合并的，它是一种直观且有效的方法来处理审查数据。基于公开可用的算法性能数据，我们证明，它的表现优于上述na'的方法来处理审查的样品，并且在算法选择范围内审查回归的既定方法都有竞争力。
算法选择为超集学习
主要关键词
相关文件推荐
