@article{2026:harman:hyperparam,
title = {Hyperparameteroptimierung für Lastprognose/Efficient hyperparameter optimization for forecasts},
year = {2026},
note = {Die Studie untersucht, wie ressourcenschonende Strategien zur
Hyperparameteroptimierung die Genauigkeit und die Laufzeit
industrieller Lastprognosen beeinflussen. Mit einem Taguchi-Design
wurden zwei Modelle des maschinellen Lernens mit verschiedenen
vereinfachenden Verfahren, sogenannten Pruning- und
Subsampling-Methoden, getestet. Zufälliges Subsampling auf 30 % der
Daten und Hyperband-Pruning erzielten teils bessere Prognosen bei
deutlich geringerem Rechenaufwand.},
journal = {wt Werkstattstechnik online},
pages = {283--291},
author = {Harman, Anna and Sauer, Alexander},
volume = {116},
number = {04}
}