ВЛИЯНИЕ МЕТОДА ВЫБОРКИ НА ОЦЕНКУ ХАРАКТЕРИСТИК В АНАЛИЗЕ ЛАНДШАФТА ПОИСКА

Аннотация

Методы анализа ландшафта поиска (ELA) оценивают ландшафт приспособленности задачи в виде числовых дескрипторов, часто используемых для рекомендации оптимальных параметров алгоритма. Данное исследование изучает влияние методов и объёма выборки на аппроксимацию признаков ELA и последующую производительность моделей машинного обучения. Исследование демонстрирует, что эти аппроксимированные признаки не являются абсолютными характеристиками ландшафта, а существенно зависят от метода, использованного для генерации точек выборки. Хотя увеличение объёма выборки снижает дисперсию оценок признаков, сам выбор метода семплирования вносит значительное смещение, приводя к статистически различным значениям признаков для таких методов, как вихрь Мерсенна, латинский гиперкуб (LHS) и последовательности Фауре. Ключевой эксперимент включал предсказание параметров настраиваемой задачи W-model с использованием регрессионных моделей, обученных на признаках ELA. Результаты показали, что модели, обученные и протестированные на данных, полученных одним и тем же методом выборки, показали наилучшие результаты, что подчеркивает отсутствие совместимости между различными методами выборки. Примечательно, что квазислучайные последовательности Фауре давали наименьшую ошибку регрессии, превосходя распространенные методы, такие как равномерное случайное распределение и LHS. Более того, перекрёстная проверка выявила, что модели, особенно обученные на последовательностях Фауре, демонстрировали значительное падение производительности при тестировании на данных, полученных любым другим методом, что подтверждает: стратегия выборки накладывает специфический «отпечаток» на данные признаков. Полученные результаты ставят под сомнение стандартное использование распространенных методов выборки в ELA. Точность моделей машинного обучения для выбора и настройки алгоритмов сильно зависит от метода выборки, используемой для извлечения признаков. Следовательно, для обеспечения точности критически важно соблюдать согласованность между методами выборки, используемыми на этапах обучения модели и её практического применения. Высокая производительность последовательностей Фауре указывает на то, что подобные последовательности являются перспективным направлением для будущих исследований в области создания более надёжных и точных моделей на основе ELA.