介绍
机器学习是一个快速发展的领域，新的技术和算法不断涌现。然而，创建和增强机器学习模型可能是一项耗时且具有挑战性的任务，需要高度的专业知识。自动化机器学习，通常称为autoML，旨在通过自动化一些繁重的任务，如特征工程、超参数调整和模型选择，简化机器学习模型的创建和优化过程。
auto-sklearn是一个强大的开源自动化机器学习框架，构建在Python中最著名的机器学习库之一scikit-learn之上。它通过贝叶斯优化和元学习，在给定数据集上自动搜索潜在的机器学习流水线，并自动识别最佳模型和超参数。本教程将介绍在Python中使用Auto-sklearn的用法，包括安装、导入数据、数据准备、创建和训练模型以及评估模型效果的指导。即使是初学者也可以使用Auto-sklearn快速简单地创建强大的机器学习模型。
在node-red中处理错误的方法
Auto-sklearn
使用高效的开源软件程序Auto-sklearn自动化创建和持续改进机器学习模型。使用贝叶斯优化和元学习自动找到特定数据集的理想模型和超参数，这本身是基于著名的机器学习程序scikit-learn的。
只有少数几个autosklearn为分类和回归问题创建的应用程序包括自然语言处理、图片分类和时间序列预测。
立即学习“Python免费学习笔记（深入）”；
该库通过对潜在的机器学习流程集合进行搜索来运行，其中包括特征工程、模型选择和数据准备过程。它使用贝叶斯优化有效地搜索这个空间，并通过元学习从先前的测试中不断提高搜索效率。
此外，Auto-sklearn还提供了一系列强大的功能，包括动态集成选择、自动模型集成和主动学习。此外，它还提供了简单易用的API，用于开发、测试和训练模型。
AutoML 代码
让我们现在使用Auto-sklearn更详细地检查AutoML代码。我们将使用scikit-learn中的数字数据集，这是一个手写数字的数据集。预测从数字图片中的数字是目标。这是代码 -
Program
的中文翻译为：程序
import autosklearn.classification
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
# Load the dataset
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
# Create and fit the AutoML model
automl = autosklearn.classification.AutoSklearnClassifier(time_left_for_this_task=180, per_run_time_limit=30)
automl.fit(X_train, y_train)
# Evaluate the model on the test set
print("Accuracy:", automl.score(X_test, y_test))
输出
Accuracy: 0.9866666666666667
代码解释
这个程序使用自动化机器学习（AutoML）从MNIST数据集中对手写数字进行分类，其中包括使用Auto-sklearn模块。以下是代码的简要概述−
从autosklearn.classification模块导入AutoSklearnClassifier类，该类包含将被使用的AutoML分类模型，导入autosklearn.classification模块。
从sklearn.datasets导入load_digits函数：这将从sklearn.datasets包中导入MNIST数据集的load_digits函数。
从sklearn中选择模型。MNIST数据集使用sklearn.model selection模块中的train test split函数分为训练集和测试集，这里进行了导入。
加载了MNIST数据集，输入特征存储在X中，相应的标签存储在y中。X, y = load_digits(return_X_y=True)：这将加载MNIST数据集。
X训练集、X测试集、y训练集、y测试集 = train_test_split(X, y, random_state=1)
将数据集按照75:25的比例划分为训练集和测试集，并将随机种子设置为1以确保可重复性
Automl等同于autosklearn.classification。AutoSklearnClassifier（每次运行时间限制=30，此任务剩余时间=180）：将在MNIST数据集上训练的AutoML模型形成为AutoSklearnClassifier类的实例。每次运行时间限制表示每个单独模型可以运行的最长时间（以秒为单位），而此任务的剩余时间表示AutoML过程可以运行的最长时间（以秒为单位）。
使用 automl.fit 函数（X train, y train），通过训练集 X train 和相关标签 Y train 训练 AutoSklearnClassifier 模型。
accuracy:", print(X test, y test), automl.score 这确定了AutoSklearnClassifier模型在评估其在X test和Y test相关标签上的性能后，在测试集上的准确性。score方法给出了模型在给定数据集上的准确性。
上述代码实现了AutoML方法，这是一种机器学习技术，可以自动化模型构建过程的每一步，包括特征选择、超参数调整和数据准备。即使是非专家也可以借助AutoML创建强大的模型，这减少了创建机器学习模型所需的人工工作量。
首先，将所需的库，如pandas，numpy，sklearn和tpot，导入到代码中。Sklearn用于机器学习任务，如数据预处理、模型选择和评估，Pandas用于数据操作，NumPy用于数值计算。实现AutoML算法的主要库是TPOT。
然后使用pandas的read_csv函数加载数据集，并将输入特征和输出标签分开存储在不同的变量中。'y'变量保存输出的标签，而'X'变量存储输入的特征。
为了适应数据并生成机器学习模型，代码首先加载数据集，然后创建TPOTRegressor类的一个实例。TPOTRegressor类是TPOTBase类的一个子类，使用遗传算法选择特征和调整超参数。TPOTRegressor类处理回归问题，而TPOTClassifier类处理分类问题。
使用Sklearn的train-test-split方法将数据集分为训练集和测试集。这是机器学习中常见的做法，将数据分为两个集合：一个用于拟合模型的训练集，一个用于评估模型性能的测试集。
一旦数据被分割，TPOTRegressor实例的fit方法被调用，该方法会根据训练数据调整模型。通过fit技术，使用遗传算法找到给定数据的最佳特征子集和超参数。然后将最佳模型返回。
然后，通过使用评分方法，代码对模型在测试集上的性能进行评估，以确定模型的准确性。准确性得分表示模型与数据的拟合程度，值越接近1表示拟合程度越好。
最佳模型随后使用导出函数导出到一个Python文件中，同时附带其在测试集上的准确度得分。
结论
总之，Auto-sklearn是一个强大的库，可以简化机器学习模型的创建和改进过程。通过自动寻找给定数据集的最佳模型和超参数，它可以节省时间和精力。本教程介绍了如何在Python中使用Auto-sklearn，包括安装它、导入数据、准备数据、创建和训练模型以及评估模型性能的指导。即使是新手也可以使用Auto-sklearn快速简单地创建强大的机器学习模型。
