.png){kind=icon}
返回
Optimised Parallelised Ensemble Learning (OPEL): A framework for OPEL
.png){kind=icon}
PRE
AI
DOI：10.1177/17483026261429883.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的优化并行集成学习（OPEL）框架，通过独特的并行多模型执行、基于共识的模型选择（CMS）和优化并行投票机制相结合，增强了多集成学习。这些组件共同显著降低了计算复杂度，如Amdahl定律分析所示，并通过模型选择、权重调整和并行执行策略，动态变化参与投票的模型以适应不同样本大小，从而提高模型稳健性。所使用的性能指标选用了表现最佳的模型，实现了部分样本高达1.3 ms的加速和更高的准确率得分。这些结果验证了OPEL作为一种可扩展、高效且高性能的集成学习方法，适用于资源受限和高吞吐量应用。与Auto-ML或A-Stacking等现有方法不同，OPEL的实时动态模型选择和多模型并行执行显著提高了准确率。在真实数据集上的实验模拟表明，在基于天气的销售预测数据集上，模型准确率提高了约5.6%，在酒店预订预测中，相较于Auto-ML，其胜率达到60.64%（通过McNemar分析）。配对t检验证实了这些改进的统计显著性，证明OPEL是一种可扩展、自适应的集成框架，适用于需要速度和准确性的实时应用，通过基于实时性能指标动态选择和重新加权模型，提供比传统方法更动态和计算高效的系统，该框架在涉及中小企业市场销售和酒店预订数据集的分类任务中得到了验证。OPEL的创新贡献在于其运行时优化的投票和并行选择机制，使其适用于动态非平稳环境。
Keyword:
Ensemble learning
parallelisation
model selection
optimised voting
computational efficiency
machine learning
期刊
J
IF:
1.7
论文数:
6
被引数:
0
机构
暂无机构信息
引用论文
Hard Voting Ensemble Approach for the Detection of Type 2 Diabetes in Mexican Population with Non-Glucose Related Features.png)
Healthcare
OAAI
HealthcareIF0
OAAI分享收藏Feature reduction for hepatocellular carcinoma prediction using machine learning algorithmsJOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏An experimental comparison of three methods for constructing ensembles of decision trees: Bagging, boosting, and randomizationMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容