Những thuật toán nào trong số 180 thuật toán trong gói caret của R là khả thi?

Gói caret của R hoạt động với 180 mẫu. Tác giả cảnh báo rằng một số gói có thể chậm hấp dẫn hoặc kém chính xác hơn các mô hình lựa chọn hàng đầu.

Tác giả không sai về điều này. Tôi đã cố gắng đào tạo người mẫu Boruta và evtree và phải bỏ cuộc sau khi họ chạy> 5 giờ trên một cụm.

Tác giả liên kết đến một tập hợp các tiêu chuẩn học máy , nhưng chúng chỉ bao gồm hiệu suất của một số lượng nhỏ thuật toán, so sánh các triển khai khác nhau.

Có một số tài nguyên khác mà tôi có thể chuyển sang, để được hướng dẫn về mô hình nào trong số 180 mô hình đáng để thử, và nó sẽ rất không chính xác hoặc chậm một cách vô lý?

Điểm chuẩn mlr (mặc định) người học trên OpenML

Các toàn bộ openml cơ sở dữ liệu của ML quả.

Kiểm tra từ RStudio cho thấy SVM.

Mlmastery gợi ý LDA và Trial and Error .

Chúng ta có cần hàng trăm phân loại để giải quyết các vấn đề phân loại thế giới thực không? bởi Fern andez-Delgado et al.

Bài báo kết luận rừng ngẫu nhiên song song (parRF_t) tốt nhất là rừng ngẫu nhiên, LibSVM với nhân Gaussian (svm), máy học cực đoan với nhân Gaussian, cây quyết định C5.0 và perceptionron nhiều lớp (avNNet).

Các nhóm tăng cường và đóng gói tốt nhất sử dụng LibSVM làm trình phân loại cơ sở (trong Weka), tốt hơn một chút so với trình phân loại LibSVM đơn và adaboost R (tập hợp các cây quyết định được đào tạo bằng Adaboost.M1). Mạng thần kinh xác suất trong Matlab, điều chỉnh sự lan truyền hạt nhân Gaussian (pnn m) và perceptron hạt nhân trực tiếp trong C (dkp C), một mạng lưới thần kinh rất đơn giản và nhanh chóng được đề xuất bởi chúng tôi (Fern ́andez-Delgado et al., 2014) , cũng rất gần với top 20.

Wainer, Jacques (2016) So sánh 14 họ thuật toán phân loại khác nhau trên 115 bộ dữ liệu nhị phân Dựa trên Fernandez-Delgado et al. (2014). "Chúng tôi đã chỉ ra rằng các khu rừng ngẫu nhiên, RBF SVM và các máy tăng cường độ dốc là thuật toán phân loại rất có thể sẽ mang lại độ chính xác cao nhất"

Rich Caruana & Alexandru Niculescu-Mizil () Một so sánh thực nghiệm về các thuật toán học tập được giám sát (phân loại) kết luận với Cây Boosted được hiệu chuẩn Platt như là RF BagT Cal.SVM NN.

Nhiều nghiên cứu khác bao gồm so sánh các mô hình được sử dụng. Một số bài báo thích SVM khác SVM với hạt nhân xuyên tâm hoặc đa thức để phân loại. (có thể điều tương tự)

Từ hồi quy của riêng tôi về dữ liệu được tạo, tôi đề xuất SVMlinear Cubist (MARS).

Luận án Manisha trước tiên chạy thử nghiệm trên Kho lưu trữ học máy của UCI sau đó độ phì nhiêu của đất là trọng tâm của luận án. Các mô hình tốt nhất trên UCI là: "elm-kernel là mạng nơ ron ELM nhưng với nhân Gaussian", "svr là máy vectơ hỗ trợ cho hồi quy, với nhân Gaussian sử dụng thư viện Lib-SVM với giao diện C ++", ExtraTrees và cubist. Luận án bao gồm các mô tả tuyệt vời của từng mô hình và liên kết đến nhiều bài báo hơn. "ExtraTrees đạt được RMSE tốt nhất cho 7 trong 10 vấn đề về đất". Giấy chắc chắn là đáng đọc.