本文摘要：Auto-Sklearn是一款基于scikit-learn的自动化机器学习工具，运用贝叶斯优化实现高效超参数调优。它能自动完成特征选择与工程处理、模型选择及超参数优化等步骤，简化机器学习流程并提升模型性能。尽管具有易用性和灵活性，但在大数据集上处理速度受限且模型可解释性较差。安装时需满足Linux环境和Python 3.7+要求，不支持Windows系统。通过基本案例展示其便捷性，只需几行代码即可加载数据并训练出高性能分类模型。

转载文章

本篇文章为转载内容。原文链接：https://blog.csdn.net/qq_41185868/article/details/83758383。

该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。

作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。

如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

AI之AutoML：autosklearn/Auto-Sklearn(基于scikit-learn库的自动化的机器学习工具)的简介、安装、使用方法之详细攻略

autosklearn/Auto-Sklearn的简介

autosklearn/Auto-Sklearn(基于scikit-learn库的自动化的机器学习工具)的概述

autosklearn/Auto-Sklearn的安装

系统安装要求¶

autosklearn/Auto-Sklearn的使用方法

1、基础案例

autosklearn/Auto-Sklearn的简介

autosklearn/Auto-Sklearn(基于scikit-learn库的自动化的机器学习工具)的概述

简介	Auto-Sklearn，在2015年由德国图宾根大学的研究人员提出的，最初的版本于2016年发布。auto-sklearn基于scikit-learn库进行开发，支持多种机器学习任务，包括分类、回归、时间序列等。
核心技术点	Auto-Sklearn使用了贝叶斯优化的方法进行超参数优化，可以在较短的时间内找到最优的超参数组合，从而得到更好的模型性能。
功能	Auto-Sklearn是一款基于Python的自动机器学习工具，可以自动进行机器学习的各个步骤，包括特征选择、特征预处理、算法选择和超参数优化等。自动特征选择与工程：可以自动选择最优特征子集，并进行归一化、缺失值处理等特征工程。自动模型选择：可以自动选择最优的机器学习算法来解决问题，支持的算法包括SVM、KNN、随机森林等。自动超参数优化：可以自动搜索机器学习模型的最优超参数，获得最高性能的模型配置。
特点	auto-sklearn的优势在于它的易用性和灵活性。用户只需要提供数据集和一些基本的配置，就可以自动进行模型构建和优化。 auto-sklearn可以自动选择和配置算法和超参数，从而让用户省去了手动调参的过程。 auto-sklearn还支持并行化处理，可以在多个CPU或GPU上运行，进一步加速模型训练和优化。
优缺点	自动化：auto-sklearn能够自动化地完成机器学习的各个环节，从而让用户省去手动调参和特征工程等繁琐的工作。灵活性：auto-sklearn提供了多种配置选项，用户可以根据自己的需求进行自定义配置。性能好：auto-sklearn使用贝叶斯优化技术进行超参数优化，能够在短时间内找到最优的超参数组合，从而得到更好的模型性能。
优缺点	处理大数据集时较慢：auto-sklearn的处理速度受限于计算资源，处理大数据集时需要较长时间。可解释性较差：由于auto-sklearn是自动化的，生成的模型可解释性较差。
应用案例	Kaggle竞赛：auto-sklearn在多个Kaggle竞赛中表现出色，包括房价预测、分类、回归等多个任务。自动化机器学习平台：auto-sklearn可以作为自动化机器学习平台的核心组件，帮助用户快速构建和部署机器学习模型。数据科学教育：auto-sklearn可以作为教学工具，帮助学生快速入门机器学习，并加深对机器学习原理的理解。

autosklearn/Auto-Sklearn的安装

pip install auto-sklearnpip install -i https://pypi.tuna.tsinghua.edu.cn/simple auto-sklearnconda install -c conda-forge auto-sklearn

系统安装要求¶

auto-sklearn 具有以下系统要求：

Linux 操作系统（例如 Ubuntu）（在此处获取 Linux）
Python (>=3.7)（在此处获取 Python），
C++ 编译器（支持 C++11）（在此处获取 GCC）。

如果您尝试在没有提供 pyrfr 包的 wheel 文件的系统上安装 Auto-sklearn（请参阅此处了解可用的 wheels），您还需要：

SWIG（在此处获取 SWIG）。

有关缺少 Microsoft Windows 和 macOS 支持的说明，请查看Windows/macOS 兼容性部分。

注意：auto-sklearn 当前不支持 Windows系统，因为auto-sklearn严重依赖 Python 模块resource。是 Python 的Unix 特定服务resource 的一部分，在 Windows 机器上不可用。因此，无法在 Windows 机器上运行auto-sklearn 。

autosklearn/Auto-Sklearn的使用方法

1、基础案例


import sklearn.datasets
import autosklearn.classification# 加载Titanic数据集
X, y = sklearn.datasets.load_breast_cancer(return_X_y=True)# 使用Auto-Sklearn训练模型
model = autosklearn.classification.AutoSklearnClassifier()
model.fit(X, y)# 输出模型评估结果
print(model.sprint_statistics())

本篇文章为转载内容。原文链接：https://blog.csdn.net/qq_41185868/article/details/83758383。

该文由互联网用户投稿提供，文中观点代表作者本人意见，并不代表本站的立场。

作为信息平台，本站仅提供文章转载服务，并不拥有其所有权，也不对文章内容的真实性、准确性和合法性承担责任。

如发现本文存在侵权、违法、违规或事实不符的情况，请及时联系我们，我们将第一时间进行核实并删除相应内容。

名词解释

作为当前文章的名词解释，仅对当前文章有效。

贝叶斯优化：贝叶斯优化是一种全局优化方法，通过利用概率模型（如高斯过程）来描述目标函数，并以这种概率模型为基础进行采样和决策，从而在最少的函数评估次数下找到最优解。在Auto-Sklearn中，贝叶斯优化用于机器学习模型的超参数搜索，通过迭代更新后验分布来指导下一步的超参数组合选取，力求在有限计算资源下找到最佳模型配置。

自动特征选择与工程：自动特征选择是指机器学习算法自动识别并筛选出对模型性能最有贡献的特征子集的过程。自动特征工程则更进一步，涵盖了特征清洗、转换、构造等预处理操作，例如数据归一化、缺失值填充、特征编码等。在Auto-Sklearn中，这一功能可以自动化地完成从原始数据到最终用于训练模型的高质量特征集的构建，减轻了数据预处理阶段的工作负担。

超参数优化：超参数是定义机器学习模型结构或训练过程的参数，它们通常不是由训练算法直接学习得到，而需要人工设定。超参数优化就是寻找一组最佳的超参数设置，以使得模型在特定评价指标上达到最优性能。Auto-Sklearn通过贝叶斯优化技术进行超参数搜索，能够有效地遍历超参数空间，找到最优超参数组合，从而提升模型在未知数据上的泛化能力。