自動機器學習框架之二 AutoML

2021-09-16 23:07:38 字數 1031 閱讀 7891

auto ml（auto machine learning）自動機器學習是個寬泛的概念，有不只乙個軟體以此命名，本篇介紹的auto-ml並非谷歌基於雲平台的 automl。本篇介紹的auto-ml也是一款開源的離線工具，它的優勢在於簡單快速，且輸出資訊比較豐富。它預設支援keras、tensorflow、xgboost、lightgbm 、catboost和 sklearn等機器學習模型，整體使用進化網格搜尋的方法完成特徵處理和模型優化。

auto-ml安裝方法如下：

$ pip install auto-ml
$ git clone
本例也使用96年美國**資料，將」投票vote」作為因變數，它有只0/1兩種取值，因此使用分類方法type_of_estimator=』classifier』，訓練時需要用字典的方式指定各欄位型別：其中包括：因變數output，分型別變數categorical，時間型變數date，文字nlp，以及不參與訓練的變數ignore。

from auto_ml import predictor


import statsmodels.api as sm


data = sm.datasets.anes96.load_pandas().data


column_descriptions = 


ml_predictor = predictor(type_of_estimator='classifier', 


column_descriptions=column_descriptions)


model = ml_predictor.train(data)


model.score(data, data.vote)


# 謝彥技術部落格
程式的輸出較多，不在此列出，相對auto-sklearn，auto-ml的輸出內容豐富得多，包含最佳模型，特徵重要性，對**結果的各種評分，建議讀者自行執行上述例程。由於它同時支援深度學習模型和機器學習模型，可使用深度學習模型提取特徵，用機器學習模型完成具體的**，從而得到更好的訓練結果。

自動機器學習框架之一 Auto Sklearn

當我們做完了特徵工程之後，就可以代入模型訓練和 對於模型的選擇及調參，主要根據分析者的經驗。在具體使用時，經常遇到同一批資料，同一種模型，不同的分析者得出的結果相差很多。前面學習了幾種常用的機器學習方法原理以及適用場景，對於完全沒有經驗的開發者，只要有足夠時間，嘗試足夠多的演算法和引數組合，理論上也...

自動機器學習框架之三 Auto Keras

對於訓練深度學習，設計神經網路結構是其中技術含高最高的任務，優秀的網路架構往往依賴建構模型的經驗，專業領域知識，以及大量的算力試錯。實際應用中往往基於類似功能的神經網路微調生成新的網路結構。auto keras是乙個離線使用的開源庫，用於構建神經網路結構和搜尋超引數，支援rnn，cnn神經網路，它使...

自動機器學習簡述（AutoML）

一 為什麼需要自動機器學習 二 超引數優化 hyper parameter optimization 三 元學習 meta learning 四 神經網路架構搜尋 neural architecture search 五 自動化特徵工程 六 其它自動機器學習工具集 對於機器學習的新使用者而言，使用機...