自动机器学习（AutoML）

AutoML 中的关键自动任务

AutoML 系统通常会自动执行机器学习工作流程中的几个关键步骤：

• 数据预处理：处理缺失值、缩放特征并对训练数据进行必要的转换。这可确保数据适合模型训练。归一化等技术通常是自动化的。
• 特征工程：自动从现有特征中创建新特征，或选择最相关的特征来提高模型性能。这可能涉及特征工程概念中涵盖的技术。
• 模型选择：选择最佳算法（如决策树、神经网络等 Ultralytics YOLO或支持向量机）。AutoML 平台通常会探索各种对象检测架构或分类模型。
• 超参数调整：优化所选模型的配置设置（超参数），以实现最佳性能。这是一个关键步骤，详见超参数调整指南。

AutoML 的优势

使用 AutoML 有几个优点：

• 提高效率：自动执行重复性任务，大大减少开发和部署 ML 模型所需的时间。
• 更易于使用：让领域专家和缺乏 ML 专业知识的开发人员也能利用强大的建模技术。
• 增强性能：与人工方法相比，可以探索更广泛的模型和超参数，从而建立更准确、更稳健的模型。Ultralytics HUB等平台简化了训练过程，从而提高了效率。
• 减少偏差：自动化可帮助减少人工智能模型选择和调整过程中的人为偏差，但仍需谨慎监督。

实际应用

AutoML 广泛应用于各行各业：

1. 欺诈检测：金融机构利用 AutoML 快速建立和更新模型，通过自动测试交易数据的不同算法和特征来检测欺诈交易。与人工建模相比，这能更快地提高检测率并适应新的欺诈模式。
2. 医学图像分析：在医疗保健领域，AutoML 协助开发用于医疗图像分析等任务的模型，例如识别 X 射线或核磁共振成像中的肿瘤或异常。AutoML 可以优化复杂的深度学习模型，以实现高准确性。

AutoML 工具和平台

一些工具和平台提供了 AutoML 功能：

• 云平台： Google Cloud AutoML、Amazon SageMaker Autopilot 和Microsoft Azure Machine Learning等服务提供与云计算环境集成的全面 AutoML 解决方案。Ultralytics HUB 云培训还提供基于云的简化培训选项。
• 开源库： Auto-sklearn,TPOT 和H2O AutoML等库能在Python 环境中提供灵活的 AutoML 功能。

AutoML 与 MLOps

AutoML 专注于模型构建流程（选择、训练、调整）的自动化，而机器学习运营 (MLOps)则涵盖了 ML 模型的整个生命周期，包括部署、监控、管理和治理。AutoML 可被视为更广泛的 MLOps 战略中的一个组成部分，可在移交给部署和模型监控管道之前简化初始模型创建阶段。