5个AutoML库：应对机器学习的下一波浪潮
极客时间编辑部
讲述：丁婵大小：1.54M时长：03:22
自动机器学习（AutoML）是将机器学习应用于现实问题的端到端流程自动化的过程。它使真正意义上的机器学习成为可能。近日，帕鲁尔·潘迪（Parul Pandey）发文介绍了 7 个流行的 AutoML 框架，这些框架的趋势是自动化部分或整个机器学习的管道，本文精选出其中 5 个，以供开发者参考。
1.MLBox
这是一个功能强大的自动化机器学习 Python 库，可以快速读取，提供分布式数据预处理 / 清洗 / 格式化等功能，还提供高可靠性的特征选择，泄漏检测和准确的超参数优化。据了解，它是用于分类和回归的最先进的预测模型。MLBox 的主程序包包含 3 个子包，用于自动执行预处理、优化和预测。目前，MLBox 仅兼容 Linux，但很快就会支持 Windows 和 MacOS。
2.Auto-Sklearn
这是一个基于 Scikit-learn 构建的自动化机器学习软件包，它让机器学习的用户从算法选择和超参数调整中解放出来，该模型使用 sklearn 估计器处理分类和回归问题。Auto-sklearn 创建了一个管道，并使用贝叶斯搜索对其进行优化。它在中小型数据集上表现良好，但还无法在大型数据集上产生性能最先进的现代深度学习系统。目前，Auto-sklearn 仅适用于 Linux 系统的机器。
3. 基于树的管道优化工具——TPOT
这是一个 Python 自动化机器学习工具，利用遗传算法来优化机器学习管道。TPOT 扩展了 Scikit-learn 框架，使用了自己的回归器和分类器方法。它的工作原理是探索数千条可能的管道，并为数据找到最好的一个。TPOT 无法自动处理自然语言输入，也无法处理分类字符串，在作为数据传入之前，这些字符串必须进行整数编码。
4.Auto-Keras
这是 DATA Lab 构建的一个用于自动化机器学习的开源软件库。基于 Keras 深度学习框架，Auto-Keras 提供了自动搜索深度学习模型的体系结构和超参数的功能。该库的趋势是通过使用自动神经架构搜索（NAS）算法简化 ML 过程。自动神经架构搜索基本上用一组自动调整模型的算法，替代了深度学习工程师 / 从业者。
5.TransmogrifAI
这是 Salesforce 开源的一个自动化机器学习库。它是一个端到端的 AutoML 库，用于 Scala 编写的结构化数据，运行在 Apache Spark 之上。TransmogrifAI 可以快速训练高质量机器学习模型，只需极少的手动调节，此外它还能构建模块化、可重用、强类型的机器学习工作流。而安装该库的先决条件是需要安装 Java 和 Spark。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论