Zeitoptimierungsuntersuchungen für Algorithmen des maschinellen Lernens

Dena Farooghi, Bernard Beitz, Bayan Awad, Dietmar Tutsch

Abstract: Dieses Paper beschäftigt sich mit Laufzeitoptimierung der Machine-Learning-Algorithmen „Naive Bayes“ und „K-Nearest Neighbour (KNN)“ zur Erreichung von Echtzeitbedingungen. In einem ersten Schritt werden Maßnahmen zur Vorverarbeitung und Bereinigung der Daten untersucht. Darauf aufbauend wurde eine Zeitanalyse der Algorithmen durchgeführt und die Ergebnisse miteinander verglichen. Bei diesen haben wir uns mit der Frage beschäftigt, wie das bestmögliche Resultat von rechtzeitigen Ergebnissen bei Echtzeit-Kriterien erzielt werden kann. Um diese zu beantworten, werden die Daten zunächst vorbereitet und bereinigt. Anschließend werden die gelabelten Daten mit Hilfe von den Algorithmen mit einer hohen Genauigkeit klassifiziert. Schließlich erfolgt eine Zeitanalyse und Untersuchung mehrerer Methoden zur Distanz- und Merkmalmanipulation, um eine Zeitoptimierung unter Echtzeitbedingungen zu erreichen.