Automatyzowane uczenie maszynowe (AutoML)

프로그래밍 Komponenty AutoML

Przetwarzanie danych

Czyszczenie: Usuwanie duplikatów, wartości brakujących, wykrywania wyggardów.

Kodowanie: One-hot, kodowanie etykietowe dla danych kategorialnych.

Skalowanie: Normalizacja, standardyzacja.

Automatyzacja: AutoML wybiera optymalne transformacje.

Inżynieria cech

Tworzenie: Funkcje wielomianowe, interakcje, transformacje.

Wybór: Wybieranie ważnych cech. Univariate, eliminacja rekurencyjna.

Optymizacja parametrów hiperyparametrycznych

Optymalizacja bayesowska

Koncept: Inteligentne wyszukiwanie oparte na poprzednich próbach. Proces Gaussowski do modelowania.

Przydatności: Najefektywniejsza, mniejsze liczba prób.

Narzędzia: Optuna, Hyperopt, Scikit-optimize.

Algorytmy ewolucyjne

Koncept: Algorytmy ewolucyjne do wyszukiwania. Mutacje, krzyżowanie.

Przydatności: Dostosowalne, może znaleźć nieobwodowe rozwiązania.

Wady: Powolijsze niż bayesowska.

📚 Praktyczne przykłady

Przykład 1: Auto-sklearn w klasyfikacji

Przygotowanie: Przygotuj dane, podziel je na zestaw treningowy i testowy.

Automatyzowane uczenie maszynowe: Uruchom Auto-sklearn z budżetem czasowym.

Ewaluacja: Sprawdź tablicę wyników, wybierz najlepszy model.

Wdrożenie: Użyj najlepszego modelu w produkcji.

Przykład 2: Optuna dla optymalizacji parametrów hiperparametrycznych

Cel: Zdefiniuj funkcję celu (precyzja, F1).

Przestrzeń wyszukiwania: Zdefiniuj zakresy dla parametrów hiperparametrycznych.

Optymalizacja: Uruchom Optuna do wyszukawania.

Najlepsze: Użyj najlepszych parametrów hiperparametrycznych.

Spróbuj to na żywo

Wszystko powyżej działa w Twojej przeglądarce — otwórz Automatyzowane uczenie maszynowe (AutoML) i zmieniaj parametry podczas jego działania. Nie ma niczego do zainstalowania, nie musisz przesłać niczego, całe modelu istnieje w jednym okienku.