aims-umich/pyMAISE

Timers for tuning and postprocessor for early stopping

Offen

#79 geöffnet am 20.02.2025

Auf GitHub ansehen
 (0 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (13 Forks)auto 404
documentationenhancementgood first issue

Repository-Metriken

Stars
 (32 Sterne)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

Background

Other AutoML libraries use timers to limit the amount of time models take in training. I think this would be good to add here so tuning times don't take longer than 3 hours or something that the user can set.

Tasks

  • Add timers for each model and/or in total where once the time is met, iterations are stopped for that model or in total, and the top models found thus far are returned. This should be something the user can override with a different time or possibly setting it to -1 to turn off timers.
  • Changes are documented in documentation.

Definition of Done

The above functionality is implemented for classical and machine learning models.

Contributor Guide

Research-Richtung
Untersuche die bestehende Trainingsschleife in pyMAISE und implementiere einen Timer, der nach jeder Iteration die verstrichene Zeit prüft. Wenn der Timer das vom Benutzer festgelegte Limit (oder den Standardwert) überschreitet, stoppe das Training für dieses Modell und fahre mit dem nächsten fort. Dokumentiere die neuen Parameter und das Verhalten.
Tech Stack
python
Domain
machine learning
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-2 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Frisch
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonMachine Learning
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
65