Sélection de variables en apprentissage d'ordonnancement : évaluation des SVM pondérés.

Abstract

Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d'ordonnancement et réduire les temps d'exécution est un enjeu des algorithmes d'apprentissage d'ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d'ordonnancement basées sur des approches de pondération des SVM en norme l2. Nous proposons une adaptation d'une méthode l2-AROM qui résout des SVM en norme l0 et un algorithme de pondération de la norme l2 qui ésout les problèmes en norme l0 et l1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu'à 7 fois plus rapides et 10 fois plus parcimonieuses que l'état de l'art, pour des qualités d'ordonnancement équivalentes.