Evaluating Amazon EC2 Spot Price Prediction Models Using Regression Error Characteristic Curve
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.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».