5个开源 autoML库或框架

slime2022-05-06 00:02

AutoML框架执行的任务可以被总结成以下几点:

预处理和清理数据。

选择并构建适当的特征。

选择合适的模型。

优化模型超参数。

设计神经网络的拓扑结构(如果使用深度学习)。

机器学习模型后处理。

结果的可视化和展示。

5个开源 autoML库或框架

在本文中,我们将介绍以下5个开源autoML库或框架:

1、Auto-Sklearn

Auto-sklearn是一个开箱即用的自动化机器学习库。auto-sklearn以scikit-learn为基础,自动搜索正确的学习算法并优化其超参数。通过元学习、贝叶斯优化和集成学习等搜索可以获得最佳的数据处理管道和模型。它可以处理大部分繁琐的工作,例如预处理和特征工程技术:One-Hot编码、特征归一化、降维等。

2、TPOT

TPOT(Tree-based Pipeline Optimization Tool)是一个Python自动化机器学习工具,它使用遗传算法优化对机器学习的流程进行优化。它也是基于Scikit-Learn提供的方法进行数据转换和机器学习模型的构建,但是它使用遗传算法编程进行随机和全局搜索。

3、HyperOpt-Sklearn

HyperOpt-Sklearn是HyperOpt的包装器,可以将AutoML和HyperOpt与Scikit-Learn进行整合,这个库包含了数据预处理的转换和分类、回归算法模型。文档中介绍说:它专为具有数百个参数的模型进行大规模优化而设计并允许跨多核和多台机器扩展优化过程。

4、AutoKeras

AutoKeras是一个基于Keras的AutoML系统,只需几行代码就可以实现神经架构搜索(NAS)的强大功能。它由德克萨斯A&M大学的DATA实验室开发,以TensorFlow的tf.keras API和Keras为基础进行实现。

AutoKeras可以支持不同的任务,例如图像分类、结构化数据分类或回归等。

5、H2O AutoML

H2O的AutoML可用于在用户指定的时间限制内自动训练和调整许多模型。

H2O提供了许多适用于AutoML对象(模型组)以及单个模型的可解释性方法。可以自动生成解释,并提供一个简单的界面来探索和解释AutoML模型。

以上就是小编为大家整理的“5个开源 autoML库或框架”一文,更多相关信息尽在开课吧广场人工智能资讯频道。

免责声明:本站所提供的内容均来源于网友提供或网络搜集,由本站编辑整理,仅供个人研究、交流学习使用。如涉及版权问题,请联系本站管理员予以更改或删除。
有用
分享
全部评论快来秀出你的观点
登录 后可发表观点…
发表
暂无评论,快来抢沙发!
AI项目实战精讲