自动机器学习 Automated machine learning（AutoML）是指让机器学习得以自动应用于实际问题的过程。自动机器学习涵盖了从原始数据集到可部署机器学习模型的整个流程。作为一种基于人工智能的解决方案，自动机器学习被用来解决在机器学习应用方面日益增长的挑战。自动机器学习中高度的自动化允许非专业人员在无需成为该领域专家的前提下使用机器学习的模型和技术。

在机器学习的应用中，将端到端的过程自动化可以产生更多优势：生成更简单的解决方案、更快地创建这些解决方案，并且经常能设计出优于人工设计的模型。

在一个典型的机器学习应用程序中，程序的使用者会使用一个由输入数据点组成的数据集去进行训练。原始数据本身的形式可能并不适用于所有算法。专家可能需要使用相应的数据预处理 data pre-processing 、特征工程 feature engineering、特征提取 feature extraction和特征选择方法 feature selectin methods等，使数据集适合机器学习。按照这些预处理步骤，程序的使用者必须执行算法选择 algorithm 和超参数优化 hyperparameter optimization，以最大限度地提升他们的机器学习模型的预测性能。显然，这些步骤都为它们自身带来了挑战。这些挑战一旦累积到一定程度，就会成为机器学习的重大障碍。

自动机器学习这一工具的不足之处就是对附加参数的依赖。这些参数可能需要一些专业知识才能得出。尽管有这些超参数存在，自动机器学习依旧极大地简化了非专业性机器学习的应用。

自动机器学习可以针对机器学习过程的不同阶段。从本质上看，这包括数据准备、特征工程、模型选择、评价指标的选择和超参数优化。

• 自动化数据准备 automated data preparation 和数据摄入 ingestion （源于原始数据和混杂模式）

• 自动化数据类型检测，例如：布尔数据，离散数值，连续数值或者文本

• 自动化数据意图检测，例如：目标/标签，分层抽样 stratified sampling ，数值特征 numerical feature ，既定文本特征 categorical text feature以及自由文本特征 free tect feature 等

• 自动化任务检测，例如：二分类 binary classification ，回归分析，聚类，排序学习 learing to rank

• 自动特征工程

• 特征选择

• 特征提取

• 元学习和体征转化

• 偏斜数据和缺失值的检测和处理

• 自动模型选择

• 特征工程和学习算法’中的超参数优化

• 在时间，内存和复杂性约束下的自动化流水线式选择

• 自动选择评估指标/验证程序

• 自动问题检测

• 数据泄露检测

• 配置错误检测

• 自动分析获得的结果

• 用于自动机器学习的用户界面及可视性

  
  

相关文章

下一秒火焰如何燃烧？机器学习成功预测混沌

论文速递集合

• 机器学习个性化的程度如何？| 网络科学论文速递25篇
  
• 图上的机器学习：模型和综合分类法 | 网络科学论文速递14篇
  

集智相关课程

机器学习入门

从Python到机器学习

机器学习思维

当复杂网络遇上机器学习

在这里从复杂性知识出发与伙伴同行，同时我们希望有更多志愿者加入这个团队，使百科词条内容得到扩充，并为每位志愿者提供相应奖励与资源，建立个人主页与贡献记录，使其能够继续探索复杂世界。

如果你有意参与更加系统精细的分工，扫描二维码填写报名表，我们期待你的加入！

• 集群机器人的应用有哪些？| 集智百科
  
• 豪斯多夫维数：怎样度量分形 | 集智百科
  
• 什么是蒙特卡罗模拟 | 集智百科
  
• 什么是斑图生成 | 集智百科
  
• 《张江·复杂科学前沿27讲》完整上线！
• 成为集智VIP，解锁全站课程／读书会
  

• 加入集智，一起复杂！

点击“阅读原文”，阅读词条自动机器学习原文与参考文献