自动机器学习（AutoML）

AutoML 如何工作

AutoML 系统可将机器学习管道中重复性最高的部分自动化。典型的 AutoML 流程包括几个关键阶段：

• 数据准备和特征工程：自动清理原始数据，为模型生成有意义的特征。这包括处理缺失值、归一化以及从现有变量中创建新的预测变量。
• 模型选择：从众多可能性中选择最适合特定问题的算法（如决策树、支持向量机或神经网络）。
• 超参数优化：为所选模型自动寻找最优超参数。通常采用贝叶斯优化、网格搜索或进化算法等复杂的搜索策略。Ultralytics 将其纳入超参数调整等任务的工具中。
• 模型评估和迭代：使用准确率或F1 分数等指标评估模型的性能，并在此过程中不断迭代，以获得更好的结果。

实际应用

AutoML 正被广泛应用于各行各业，以加快开发速度并提高成果。

1. 医疗保健领域的人工智能：在医学图像分析中，AutoML 可以快速测试不同的图像分割模型，以检测扫描图像中的肿瘤。系统可以在脑肿瘤数据集等数据集上自动训练和评估各种架构，从而大大缩短研究人员开发可部署诊断工具所需的时间。
2. 金融服务：银行使用 AutoML 建立欺诈检测模型。通过将历史交易数据输入 AutoML 平台，银行可以自动生成和优化模型，从而高精度地识别欺诈模式。计算机视觉在金融领域的应用将对此作进一步探讨。

AutoML 与相关概念

将 AutoML 与相关领域区分开来很有帮助：

• AutoML 与 MLOps：AutoML 专门针对模型构建（选择、训练、调整）的自动化，而机器学习运营 (MLOps)则涵盖整个 ML 生命周期。MLOps 包括部署、监控、管理和治理，确保模型在生产中可靠运行。AutoML 通常是更大的 MLOps 框架中的一个组件，可简化模型部署和模型监控之前的初始开发阶段。
• AutoML 与 NAS：神经架构搜索（NAS）是 AutoML 的一个子领域，专门用于自动设计神经网络的架构。NAS 可自动进行网络设计，而更广泛的 AutoML 工具还可自动进行各种模型类型的特征工程和超参数调整，而不仅仅是神经网络。

AutoML 工具和平台

许多工具和平台都为 AutoML 提供了便利：

• 云平台：主要供应商提供集成的 AutoML 服务，如Google Cloud AutoML、Amazon SageMaker Autopilot 和Microsoft Azure Machine Learning。这些服务利用可扩展的云计算资源。Ultralytics 还提供Ultralytics HUB 云培训。
• 开源库：流行的库包括Auto-sklearn（基于scikit-learn）、TPOT（使用遗传编程）和 H2O AutoML。PyTorch和TensorFlow等框架为许多 ML 任务（包括由 AutoML 工具自动完成的任务）提供了底层基础架构。
• 集成平台：Ultralytics HUB集成了 AutoML 功能，特别是用于超参数调整的功能，从而简化了为物体检测等任务训练自定义模型的过程。