对自动化机器学习平台进行比较研究以练习基于人体测量的类型学分析:AWS SageMaker,GCP VertexAI和MS Azure的性能评估
Wansuk Choi1, Taeseok Choi2, Seoyoon Heo3
1Department of Physical Therapy, International University of Korea, Jinju 17731, Republic of Korea.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
这项研究比较了跨云平台的机器学习 (ML) 和自动机器学习 (AutoML) 算法. 在AWS SageMaker上的XGBoost实现了99.6%的准确性,超越了其他人,并突出了平台/算法的重要性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 和自动机器学习 (AutoML) 越来越多地在各个行业中使用.
- 评估跨计算环境的预测准确性对于有效部署至关重要.
研究的目的:
- 在不同的云平台上比较ML算法 (RNN,LSTM,GRU) 和AutoML算法 (XGBoost,LightGBM) 的预测准确度.
- 通过准确性,精度,回忆,F1得分和日志损失等指标来评估性能.
主要方法:
- 训练了多个ML和AutoML算法在6百万个健身图像和提取的关节坐标的一致数据集上.
- 在Google Colab Pro,AWS SageMaker,GCP Vertex AI和MS Azure上实现算法进行比较分析.
主要成果:
- LSTM实现了最高的ML性能 (73.75%准确度).
- 在AWS SageMaker上的XGBoost展示了卓越的AutoML性能 (准确率为99.6%).
- 在MS Azure上的LightGBM表现最低 (84.2%的准确率),而Google Colab Pro上的GRU表现强 (88.2%的准确率).
结论:
- 在算法和计算平台之间存在显著的性能差异.
- 算法和计算环境的选择对预测任务的结果产生了重大影响.
- 建议进行进一步的研究,以了解导致这些性能差异的因素.
