Die Studie untersucht, wie ressourcenschonende Strategien zur Hyperparameteroptimierung die Genauigkeit und die Laufzeit industrieller Lastprognosen beeinflussen. Mit einem Taguchi-Design wurden zwei Modelle des maschinellen Lernens mit verschiedenen vereinfachenden Verfahren, sogenannten Pruning- und Subsampling-Methoden, getestet. Zufälliges Subsampling auf 30 % der Daten und Hyperband-Pruning erzielten teils bessere Prognosen bei deutlich geringerem Rechenaufwand.
原文链接
分享
引用
