Splittingstrategier

Splittingstrategier är ett övergripande begrepp som beskriver metoder för att dela ett problem, en dataset eller ett beslutsutrymme i mindre delar för att underlätta analys, beräkning eller genomförande. De används inom optimering, maskininlärning, datahantering och programvaruutveckling för att möjliggöra parallellisering, ökad tydlighet och bättre prövning av olika scenarier.

Inom optimering innebär splitting att partitionera problemets domäner eller sökutrymmet i delproblem. Det kan underlätta lösningen genom uppdelning av komplexa problem, hierarkisk eller iterativ uppdelning samt tillämpning av lokala metoder på varje delproblem. Inom maskininlärning och datahantering används data-splitting för att dela data i tränings-, validerings- och testuppsättningar. Även i korskontroll (cross-validation) skapas upprepade deluppsättningar av data för att bedöma modellens prestanda. Inom nätverks- och parallellberäkning används graf- eller uppgiftspartitionering för att sprida arbete och balansera belastning.

Vanliga angreppssätt inkluderar domän-delning (delning av en variabels domän i underdomäner), instans-delning (dela upp problemet i delproblem), hierarkisk uppdelning samt slumpmässig kontra deterministisk uppdelning. Effektiviteten beror på problemstruktur, mål och tillgängliga resurser. Fördelar är lättare hantering av komplexitet, möjliggörande av parallell körning och bättre lokal optimering. Nackdelar inkluderar overhead, risk för förlust av globalt sammanhang och suboptimal prestanda om splitten är dålig.

Se även: division, avgränsning, dela-och-vara, gren-och-bund, dataindelning, korskontroll.