Итак, я нашел приложение, которое могло бы извлечь выгоду из алгоритма машинного обучения:
В моей области исследований есть довольно стандартный метод планирования экспериментов, и я обнаружил, что один шаг можно автоматизировать для экономии времени. Автоматизация может быть выполнена с помощью различных стандартных алгоритмов машинного обучения, и я выбрал тот, который:
В настоящее время я пишу статью о своих выводах. Мой вопрос в том, как я могу исключить альтернативы или, по крайней мере, обосновать свой выбор (например, в разделе «связанная работа») по сравнению с другими алгоритмами, которые, возможно, могли бы работать лучше/быть более подходящими ?
Учитывая, что машинное обучение не является моим самым сильным навыком, я пытался реализовать большинство других современных алгоритмов для сравнения, но для некоторых из них у меня просто не хватает знаний для этого.
*Мой вопрос похож на этот: как лучше всего обосновать свой выбор базовых методов для академической работы? , но разница в том, что новинка моей статьи касается новой области применения, а не нового алгоритма.
В моей области исследований есть довольно стандартный метод планирования экспериментов, и я обнаружил, что один шаг можно автоматизировать для экономии времени. Автоматизация может быть выполнена с помощью различных стандартных алгоритмов машинного обучения, и я выбрал тот, который:
Похоже, вы решаете проблему в своей области, которая никогда ранее не решалась с помощью алгоритмов машинного обучения, и вы первый, кто попробовал этот подход.
используется довольно часто, по данным литературы дает очень удовлетворительные результаты (высокая точность) на моих данных
Применение такого алгоритма машинного обучения дало вам хорошие результаты, где я предполагаю, что хорошее означает, по крайней мере, достаточно хорошее, как современное состояние в этой области.
Мой вопрос в том, как я могу исключить альтернативы или, по крайней мере, обосновать свой выбор (например, в разделе «похожая работа») по сравнению с другими алгоритмами, которые, возможно, могли бы работать лучше/быть более подходящими?
Если мои предположения выше верны, то основной вклад вашей статьи состоит в том, чтобы решить известную проблему новым способом. Это достаточно хорошее достижение, которое не нуждается в оправдании. Похоже, ваша единственная проблема — убедить сообщество ученых, которые обычно не знакомятся с машинным обучением, в том, что ваш выбор разумен (НЕ оптимален) и ваши результаты надежны.
В машинном обучении — как в академических кругах, так и в промышленности — вы часто используете достаточно хорошую модель : она не обязательно должна быть лучшей или самой сложной; что нужно сделать, это сделать работу правильно и обеспечить интересные результаты. Все, что вам нужно сделать в своей статье, — это объяснить алгоритм и показать, почему результаты являются надежными.
авенир
Три части
DimP