Machine Learning-as-a-Service Performance Evaluation on Multi-class Datasets
Notice bibliographique
Résumé
Machine learning technologies have invaded our daily lives with a wide range of applications such as fraud detection, product recommendations, data mining, and image recognition. Businesses that need to process and analyze huge amounts of data are competing to become the first to adopt these solutions. Nonetheless, developing classification algorithms using machine learning frameworks is time-consuming, costly, and requires a team with technical capabilities. To reduce these expenses, market leader cloud providers have started to offer the Machine Learning-as-a-service (MLaaS) cloud delivery model. However, businesses and users are still faced with the challenge of deciding on which platform to adopt. In this paper, we evaluate the machine learning classifiers and performance of BigML, Microsoft Azure ML Studio, IBM Watson ML Studio, and Google AutoML Table platforms on the classification of multi-class datasets based on the average-micro F-score, training time, and cost to enable users to make a more informed decision. Since the choice of classifiers can have a crucial impact on the average-micro F-score, we trained all pre-built algorithms offered by each platform on given multi-class datasets to conduct a comprehensive investigation. The results show that Google AutoML provides the user with the highest average-micro F-score, but it is costly and requires more training time. This research will enable the developers of intelligent edge computing services that rely on MLaaS to select the most optimal platform for their applications needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».