Schede riassuntive

Introduzione a AutoML con MATLAB

Perchè AutoML?

Il Machine Learning automatizzato (AutoML) consente di automatizzare fasi complesse e iterative del workflow di costruzione dei modelli senza richiedere competenze specifiche in Machine Learning.

Fattori che limitano l’adozione del Machine Learning:

  • Alto costo delle competenze richieste
  • Workflow incrementale e iterativo
  • Ottimizzazione manuale non praticabile per molti modelli

Vantaggi di AutoML

  • Ingegneri ed esperti di dominio con poca o nessuna esperienza possono creare modelli efficaci.
  • Gli esperti di Machine Learning risparmiano tempo.
  • È possibile realizzare applicazioni che richiedono numerosi modelli ottimizzati.

Approcci all’automazione della creazione di modelli

Automatizza il processo di creazione di modelli di Machine Learning ottimizzati in tre passaggi

1. Estrazione di feature

Wavlet

Le wavelet scompongono segnali complessi.

Wavelet Scattering

Questo diagramma illustra il processo di estrazione di feature da un segnale utilizzando un framework di wavelet scattering. 
sf = waveletScattering (SignalLength);
Loop over signal
   waveletFeature = featureMatrix(sf,signal)
   Append waveletFeature to feature table
   Add labels 
end

2. Selezione delle feature

Neighborhood Component Analysis

Individua un piccolo sottoinsieme di feature ad alto potere predittivo.

fscnca(data, labels, 'Lambda');
find(mdl.FeatureWeights > 0.2)
La NCA aiuta a selezionare le feature che conservano gran parte della precisione del modello.

Disponibili anche:

  • Max Relevance Min Redundancy
  • ReliefF
  • Selezione stepwise

3. Selezione del modello

Individua il miglior modello in un solo passaggio:

  • Per classificazione: fitcauto(data, labels, 'Options', …)
  • Per regressione: fitrauto

Opzioni

  • Limita le iterazioni di ottimizzazione:
    MaxObjectiveEvaluations
  • Attiva l’esecuzione in parallelo:
    UseParallel
  • Salva il modello dopo ogni iterazione:
    SaveIntermediateResults
  • Limita quali modelli e iperparametri considerare:
    Learners / OptimizeHyperparameters
  • Mostra errori:
    ShowPlots
Per saperne di più