使用场景

使用SELA在泰坦尼克号数据集上进行模型选择和集成。

利用SELA在房价预测任务中优化模型性能。

通过SELA进行消融研究，比较不同搜索策略对模型性能的影响。

产品特色

数据准备：支持从链接下载数据集或从头开始准备数据集。

配置灵活：用户可以根据需要修改数据配置和LLM配置。

SELA运行：提供了运行SELA的详细步骤，包括设置、运行实验和参数配置。

实验模式：支持MCTS和随机搜索(RS)两种实验模式。

参数调整：用户可以根据需要调整诸如rollouts、timeout等参数。

断点续跑：支持加载现有的MCTS树，以便在实验中断后继续。

Ablation Study：支持进行消融研究，比较不同搜索策略的效果。

使用教程

1. 数据准备：根据SELA的指南下载或准备数据集。

2. 配置设置：根据需要修改`datasets.yaml`和`data.yaml`文件中的配置。

3. 安装依赖：在SELA目录下运行`pip install -r requirements.txt`安装所需依赖。

4. 运行SELA：使用`python run_experiment.py`命令并附加相应参数来运行实验。

5. 参数调整：根据实验需要调整rollouts、timeout等参数。

6. 结果分析：分析实验结果，根据反馈迭代改进策略。

7. 断点续跑：如果实验中断，可以使用`--load_tree`参数加载之前的MCTS树继续实验。