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())

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相关推荐

ML之sklearn：sklearn.linear_mode中的LogisticRegression函数的简介、使用方法之详细攻略
ML之sklearn:sklearn.linear_mode中的LogisticRegression函数的简介.使用方法之详细攻略目录 sklearn.linear_mode中的LogisticRe ...
sklearn之XGBModel：XGBModel之feature_importances_、plot_importance的简介、使用方法之详细攻略
sklearn之XGBModel:XGBModel之feature_importances_.plot_importance的简介.使用方法之详细攻略目录 feature_importances_ ...
Python之 sklearn：sklearn.preprocessing中的StandardScaler函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn.preprocessing中的StandardScaler函数的简介及使用方法之详细攻略目录 sklearn.preprocessing中的Stand ...
Python之 sklearn：sklearn中的train_test_split函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn中的train_test_split函数的简介及使用方法之详细攻略目录 sklearn中的train_test_split函数的简介 train_tes ...
Python之 sklearn：sklearn中的RobustScaler 函数的简介及使用方法之详细攻略
Python之 sklearn:sklearn中的RobustScaler 函数的简介及使用方法之详细攻略目录 sklearn中的RobustScaler 函数的简介及使用方法 sklearn中的R ...
sklearn：sklearn.preprocessing的MinMaxScaler简介、使用方法之详细攻略
sklearn:sklearn.preprocessing的MinMaxScaler简介.使用方法之详细攻略目录 MinMaxScaler简介 MinMaxScaler函数解释 MinMaxScal ...
sklearn：sklearn.GridSearchCV函数的简介、使用方法之详细攻略
sklearn:sklearn.GridSearchCVl函数的简介.使用方法之详细攻略目录 sklearn.GridSearchCV函数的简介 1.参数说明 2.功能代码 sklearn.Grid ...
sklearn：sklearn.feature_selection的SelectFromModel函数的简介、使用方法之详细攻略
sklearn:sklearn.feature_selection的SelectFromModel函数的简介.使用方法之详细攻略目录 SelectFromModel函数的简介 1.使用SelectF ...
sklearn：sklearn.preprocessing.StandardScaler函数的fit_transform、transform、inverse_transform简介、使用方法之详细攻略
sklearn:sklearn.preprocessing.StandardScaler函数的fit_transform.transform.inverse_transform简介.使用方法之详细攻略 ...

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