为了达到最佳性能，通常需要调整算法的参数以适应待解决的问题实例类别；这对于广泛的 AI 问题（包括 AI 规划、命题可满足性 (SAT) 和答案集编程 (ASP)）中知名的求解器来说是普遍存在的。为了避免使用临时方法对这些参数进行繁琐且通常效率低下的手动调整，可以使用通用的算法配置过程来自动找到性能优化的参数设置。虽然可以通过这种方式实现令人印象深刻的性能提升，但需要进行额外的、可能代价高昂的参数重要性分析，以了解哪些参数变化对这些改进贡献最大。在这里，我们展示了如何通过使用从配置过程中收集的数据构建的算法性能回归模型，可以显着降低消融分析的运行时间成本，消融分析是一种用于评估参数重要性的常用通用方法。
AutoML.org
弗莱堡-汉诺威-图宾根