bei Google ScholarTitelangaben
Kumar, Chettan ; Käppel, Martin ; Schützenmeier, Nicolai ; Eisenhuth, Philipp ; Jablonski, Stefan:
A Comparative Study for the Selection of Machine Learning Algorithms based on Descriptive Parameters.
In:
Proceedings of the 8th International Conference on Data Science, Technology and Applications. Volume 1. DATA. -
Prag
,
2019
. - S. 408-415
ISBN 978-989-758-377-3
DOI: https://doi.org/10.5220/0008117404080415
Abstract
In this paper, we present a new cheat sheet based approach to select an adequate machine learning algorithm.
However, we extend existing cheat sheet approaches at two ends. We incorporate two different perspectives
towards the machine learning problem while simultaneously increasing the number of parameters decisively.
For each family of machine learning algorithms (e.g. regression, classification, clustering, and association
learning) we identify individual parameters that describe the machine learning problem accurately. We arrange
those parameters in a table and assess known machine learning algorithms in such a table. Our cheat sheet is
implemented as a web application based on the information of the presented tables.
Weitere Angaben
| Publikationsform: | Aufsatz in einem Buch |
|---|---|
| Begutachteter Beitrag: | Ja |
| Keywords: | Machine Learning; Algorithm Recommendation; Data Analysis; Information System |
| Institutionen der Universität: | Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik > Lehrstuhl Angewandte Informatik IV > Lehrstuhl Angewandte Informatik IV - Univ.-Prof. Dr.-Ing. Stefan Jablonski Fakultäten Fakultäten > Fakultät für Mathematik, Physik und Informatik Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik > Lehrstuhl Angewandte Informatik IV |
| Titel an der UBT entstanden: | Ja |
| Themengebiete aus DDC: | 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik |
| Eingestellt am: | 14 Aug 2019 05:50 |
| Letzte Änderung: | 08 Jul 2022 07:39 |
| URI: | https://eref.uni-bayreuth.de/id/eprint/51838 |