Resumen

La selección de la mejor configuración de valores de hiperparámetros para un modelo de Aprendizaje Automático se refleja directamente en el rendimiento del modelo en el conjunto de datos. Es una tarea laboriosa que generalmente requiere un profundo conocimiento de los métodos de optimización de hiperparámetros y de los algoritmos de Aprendizaje Automático. Aunque existen varias técnicas de optimización automática, estas suelen requerir recursos significativos, aumentando la complejidad dinámica para lograr una gran precisión. Dado que uno de los aspectos más críticos en este consumo computacional es el conjunto de datos disponible, entre otros, en este documento realizamos un estudio del efecto del uso de diferentes particiones de un conjunto de datos en la fase de optimización de hiperparámetros sobre la eficiencia de un algoritmo de Aprendizaje Automático. Se ha utilizado inferencia no paramétrica para medir la tasa de diferentes comportamientos de la precisión, el tiempo y la complejidad espacial que se obtienen entre las particiones y el conjunto de datos completo. Además, se asign

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Configuración; Valores de hiperparámetros; Modelo de Machine Learning; Conjunto de datos; Técnicas de optimización; Particiones
• Keywords:Configuration; Hyperparameter values; Machine Learning model; Dataset; Optimization techniques; Partitions