自动化机器学习 (AutoML)

自动机器学习 (AutoML) 是自动执行机器学习 (ML)模型开发中耗时且重复性任务的过程。它旨在使非专业人员也能使用高性能 ML 模型，并通过自动选择特征、算法和参数来提高数据科学家的生产力。通过处理从数据预处理到模型部署的任务，AutoML 简化了整个工作流程，从而能够更快地进行实验并创建更准确、更高效的模型。这种自动化是使高级人工智能更易于访问和扩展的关键一步。

AutoML 的工作原理

AutoML 系统可自动执行 机器学习流程 中最重复的部分。典型的 AutoML 流程涉及几个关键阶段：

• 数据准备和特征工程：自动清理原始数据并为模型生成有意义的特征。这可以包括处理缺失值、归一化以及从现有变量创建新的预测变量。
• 模型选择: 从各种可能性中为给定问题选择最合适的算法（例如，决策树、支持向量机或神经网络）。
• 超参数优化： 自动查找所选模型的最佳超参数。这通常使用复杂的搜索策略来完成，例如贝叶斯优化、网格搜索或进化算法。 Ultralytics 将此功能集成到其工具中，用于超参数调优等任务。
• 模型评估和迭代: 使用诸如准确率或F1 分数等指标评估模型的性能，并通过迭代该过程以获得更好的结果。

实际应用

AutoML 正在众多行业中得到应用，以加速开发并改善结果。

1. 医疗保健中的人工智能： 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，从而显著减少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 构建欺诈检测模型。通过将历史交易数据输入到 AutoML 平台，它们可以自动生成和优化模型，以高精度识别欺诈模式，这项任务如果由数据科学家手动完成，则需要大量的人力。这在金融领域的计算机视觉中得到了进一步的探讨。

AutoML 与相关概念

区分 AutoML 与相关领域是有帮助的：

• AutoML 与 MLOps：虽然 AutoML 专门针对模型构建（选择、训练、调整）的自动化，但机器学习运维 (MLOps) 涵盖了整个 ML 生命周期。MLOps 包括部署、监控、管理和治理，确保模型在生产环境中可靠运行。AutoML 通常是更大的 MLOps 框架中的一个组件，可在模型部署和模型监控之前简化初始开发阶段。
• AutoML 与 NAS：神经架构搜索 (NAS) 是 AutoML 的一个子领域，专门侧重于自动设计神经网络的架构。虽然 NAS 可自动执行网络设计，但更广泛的 AutoML 工具还可以自动执行各种模型类型（而不仅仅是 NN）的特征工程和超参数调整。

AutoML 工具和平台

许多工具和平台都促进了 AutoML：

• 云平台：主要提供商提供集成的 AutoML 服务，例如 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 Cloud Training。
• 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。诸如 PyTorch 和 TensorFlow 之类的框架为许多 ML 任务提供了底层基础架构，包括那些由 AutoML 工具自动化的任务。
• 集成平台: Ultralytics HUB 整合了 AutoML 功能，特别是用于超参数调整，从而简化了训练自定义模型以执行对象检测等任务的过程。