Computational Cost Reduction Strategies for Business Cases
محل انتشار: مجله ایرانی مطالعات مدیریت، دوره: 16، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 88
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIJMS-16-3_012
تاریخ نمایه سازی: 31 خرداد 1402
چکیده مقاله:
Feature selection and parameter optimization are vital techniques in the data mining process, significantly impacting the computational costs of machine learning. Computational cost is a critical consideration in business analytics, making feature selection and parameter optimization research crucial for reducing operational costs. This study investigates the performance of ۱۰ dimensionality reduction methods and ۲ parameter optimization techniques in various business applications. The evaluation focuses on predictive accuracy and run time. The analysis reveals distinctive tendencies among the filtering methods, highlighting time-consuming behaviors in different business scenarios for Weight by Rule (WRul) and Weight by Relief (Wrel). Additionally, the study proposes a cost-effective approach to parameter optimization by utilizing grid search and evolutionary algorithms, particularly when the optimal parameter range is unknown.
کلیدواژه ها:
نویسندگان
Genesis Depari
Faculty of Economics and Business, Universitas Pelita Harapan, Indonesia
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :