自动化机器学习

组件介绍

**“自动化机器学习”（AutoML Training）**控件根据数据集以及用户的配置进行自动化机器学习，自动构建合适的算法模型。可用于分类任务或回归任务。

**“自动化机器学习”（AutoML Training）**控件支持速建模，无需选择特定的算法模型及参数配置，组件会根据输入数据自动进行算法选择及参数调优。在自动化机器学习过程中，包含特征选择、特征预处理、特征构建，同时还支持模型选择和参数调优。自动化机器学习利用遗传算法进行自动化的特征选择和模型选择，能够智能地探索数千个可能的pipeline和超参数组合，为数据集找到最好的pipeline，完成搜索之后，提供合适的算法模型。

---

• 输入：
  • data：数据集
• 输出：
  • mod: 已训练的模型（仅当输入端data存在时，才会有输出信息）

---

页面介绍

点击**“自动化机器学习”（AutoML Training）**控件查看参数配置页面，如下图所示：

参数选项

选项	说明	取值范围	样例值
模型名称	设置模型名称，用于在其他组件中区分不同的模型	字符串	AutoML
基本配置	迭代次数：自动化机器学习优化过程的迭代次数 每代保留模型数：每次迭代产生的模型中需要保留的模型数 单个产生后代数：每个遗传编程生成中产生的后代数 终止检测迭代数：如果生成的模型没有优化改进，多少代之后应该终止 启用随机种子：开启后每次执行结果都相同 任务类型：根据数据集自动划分任务类型是属于回归还是分类	迭代次数：11000 每代保留模型数：11000 单个产生后代数：11000 终止检测迭代数：11000 启用随机种子：启用/不启用	迭代次数：5 每代保留模型数：5 单个产生后代数：3 终止检测迭代数：3 启用随机种子：启用
模型指标选择	用于比较生成的机器模型的效果	分类任务：   accuracy   adjusted_rand_score   balanced_accuracy   f1_macro   f1_micro   f1_weighted   neg_log_loss   precision_macro   precision_micro   precision_weighted   recall_macro   recall_micro   recall_weighted 回归任务：   neg_mean_squared_error   r2	accuracy

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据集，连接“自动化机器学习”（AutoML Training）控件构建模型，之后把“加载文件”（File）控件以及“自动化机器学习”（AutoML Training）控件与“预测”（Predictions）**控件连接起来查看预测的结果。

案例中加载 iris 数据集，使用**“自动化机器学习”（AutoML Training）**控件默认参数运行。案例中控件的配置以及运行结果如下图所示。