Introducción a AutoML con MATLAB
Relevancia de AutoML
Machine Learning automatizado (AutoML) permite automatizar pasos difíciles e iterativos del flujo de trabajo de creación de modelos sin necesidad de experiencia en Machine Learning.
Límites de adopción de Machine Learning:
- Coste elevado por necesidad de personal especializado
- Flujo de trabajo iterativo e incremental
- Optimización manual no factible de muchos modelos
Ventajas de AutoML
- Profesionales de ingeniería y personal experto del dominio con poca o ninguna experiencia puede crear modelos de calidad.
- Ahorro de tiempo para personal experto en Machine Learning.
- Pueden implementarse aplicaciones que requieren muchos modelos optimizados.
Enfoques para automatizar la creación de modelos
1. Extracción de características
Las wavelets descomponen señales complejas.
Dispersión de wavelets
sf = waveletScattering (SignalLength); Loop over signal waveletFeature = featureMatrix(sf,signal) Append waveletFeature to feature table Add labels end
Nota:
Adecuado para datos de señales e imágenes
2. Selección de características
Análisis de componentes vecinos
Identifique un subconjunto pequeño de características con una alta capacidad de predicción.
fscnca(data, labels, 'Lambda'); find(mdl.FeatureWeights > 0.2)
También disponible:
- Máxima relevancia, mínima redundancia
- ReliefF
- Selección por pasos
3. Selección de modelos
Identifique el mejor modelo en un solo paso:
- Para clasificación:
fitcauto(data, labels, 'Options', …) - Para regresión:
fitrauto
Opciones
- Limitar las iteraciones de optimización:
MaxObjectiveEvaluations - Activar la ejecución en paralelo:
UseParallel - Guardar el modelo después de cada iteración:
SaveIntermediateResults - Limitar los modelos e hiperparámetros que se deben tomar en cuenta:
Learners / OptimizeHyperparameters - Mostrar errores:
ShowPlots
Notas:
- No existe garantía de encontrar el mejor modelo
- Buenos resultados después de 50-150 iteraciones
