Evaluating Amazon EC2 Spot Price Prediction Models Using Regression Error Characteristic Curve
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Amazon EC2 offers inactive virtual machines (VM) as spot instances at up to 90% discount. In return, the least expensive option requires the customers' usage to be tolerated with a low availability level agreement. Thus, many studies proposed forecasting and prediction mechanisms to asses in finding the best set of maximum prices. In this paper, we study the model's efficiency in predicting spot EC2 prices with focusing on assessing the performance of forecasting algorithms: RFR, XGBoost, k-NNR, and SVR. Model's evaluation is crucial for measuring the accuracy of predicted prices, thus, we select six metrics for evaluating the forecasting results. We used the top implemented metrics in the related work: MAPE, RMSE, MAE, and MSE. In addition, we assessed the spotted models using the Regression Error Characteristics (REC) curve and the Area under the curve (AUC-REC) in comparison to prior measures. Three aspects are considered while building the models: dataset time per year, training window as 1-day or 1-month ahead and instance location. The trained model applies the cross-validation technique to learn the ideal hyper-parameters that achieve the highest accuracy. However, except for the SVR model, our findings indicate it is unnecessary to use this technique to improve the algorithms' accuracy. Our results investigations display the REC curve and AUC-REC as a superior performance measurements for evaluating models over different accuracy-loss thresholds.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 découle