自动机器学习系统有哪些有趣之处？哪些框架适合AutoML？当前有哪些限制？本文将解答这些问题。

假设我们有一个数据集，希望从中构建一个预测模型。传统机器学习方法需要执行以下一系列操作： - 初步数据处理 - 确定关键特征，构造新特征 - 选择合适的模型 - 调整超参数 - 使用最佳参数进行训练

这一过程可能相当耗时。为了取得更好的结果，我们需要反复测试假设，并不断优化每一步骤。

自动机器学习（AutoML）的目标是简化这些步骤，甚至全部自动化，同时保证预测的准确性。理想的AutoML策略应该能够让任何用户获取原始数据，建立机器学习模型，并以最高的准确性（针对可用样本）进行预测。

这是否意味着不需要数据分析师了呢？当然不是。AutoML技术旨在消除常规操作和手动模型选择，从而让专家能够投入更多时间解决更复杂的问题。

让我们回顾一下机器学习的各个阶段。例如，在准备数据时，可能需要自动化： - 确定各列的数据类型（数值、文本、布尔值等） - 语义内容分析（例如，如果该字段是文本，那么它代表什么：姓名、日期、地理位置等） - 任务检测（聚类、排序等）

特别是在寻找最佳模型超参数的过程中，最常用的两种方法是： - 网格搜索 - 随机搜索

这些方法仅适用于少数超参数。还有其他优化参数的方法，如贝叶斯优化、模拟退火、退火算法等。

接下来，我们介绍几种流行的AutoML框架：

MLBox MLBox专注于数据预处理、模型选择和超参数搜索。相比在Mac或Windows系统上，它在Linux系统上的安装更为简便。

Auto Sklearn 顾名思义，Auto Sklearn是基于流行的scikit-learn库构建的。它可以实现特征描述、模型选择和超参数设定。Auto Sklearn在处理小数据集方面表现良好，但在处理大规模数据集时效果一般。

TPOT TPOT是一个完全自动化的机器学习管道框架，使用遗传算法寻找最佳模型。与Auto Sklearn类似，它也是scikit-learn的扩展，但拥有自己的回归和分类算法。缺点包括它不能与自然语言交互。

H2O H2O AutoML支持传统的机器学习模型和神经网络，尤其适合那些寻找自动化深度学习方法的人。

Auto Keras Auto Keras遵循经典的scikit-learn API设计，但使用强大的神经网络库Keras来搜索模型参数。

Cloud AutoML Cloud AutoML利用神经网络架构，提供一个简单的用户界面来学习和部署模型。不过，该平台是收费的，更适合商业项目。对于研究目的，可以在一年内免费使用有限制的版本。

Uber Ludwig Uber Ludwig项目旨在用最少的代码实现深度学习过程的自动化。该框架仅适用于深度学习模型，而忽略其他经典机器学习模型。数据量依然是深度学习中一个重要因素。

总之，AutoML在教育领域已经取得了显著成果，尤其是在使用高质量标记数据的情况下。然而，在处理复杂的原始数据和优化特征工程（如特征选择）时，AutoML技术仍然面临挑战。