【POMA数据自动分析与建模平台】—什么是数据的快乐星球？

最新推荐文章于 2024-05-31 17:56:53 发布

原创

最新推荐文章于 2024-05-31 17:56:53 发布 · 591 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#数据挖掘 #机器学习 #深度学习 #数据分析 #人工智能

本文介绍了机器学习中繁琐的特征工程和建模过程，并提出了AutoML的概念，它能自动化特征工程、参数调整和模型选择，降低了模型开发的复杂性和时间成本。通过信用卡申请预测案例，展示了AutoML在提高模型精度和效率方面的优势，强调了其在数据自动分析与建模中的应用价值。

在数据的世界中，机器学习已经成为不可或缺的工具，但它的模型开发应用过程却非常复杂。机器学习中的特征工程是数据分析中最耗费时间精力的一部分工作，大多情况下要依靠算法工程师的个人经验来处理。这样的特征工程具有很强的不确定性，如漏选特征、选到了无效特征、忽略高级特征等。

建模流程中每一步和每一个关键点做出的决策对于模型在实际应用中的表现都至关重要，所以找到最佳模型通常是一个不断试错的过程。

传统机器学习

（1）传统机器学习是一个烦琐且耗时的过程

传统的机器学习在解决问题时，首先需要对问题进行定义，然后针对特定问题收集数据，由专家对数据特征进行标定、提取特征、选择特征，然后根据所选特征训练模型、对模型进行评估，最后部署到应用上，以解决最初提出的问题。其中数据收集、特征提取、特征选择、模型训练和模型评估的过程，是一个迭代的过程，需要反复进行、不断优化才能得到较优的模型。这个过程非常耗时费力。

（2）传统机器学习有一定难度，准入门槛高

模型训练的难度使得很多初学者望而却步，即使是数据专家也经常抱怨训练过程是多么令人沮丧和变化无常。没有经过一定时间的学习，用户很难掌握模型选择、参数调整等步骤。

AutoML

为了解决上述问题而诞生了AutoML，AutoML 可以将传统机器学习中的迭代过程综合在一起，构建一个自动化的过程，实现自动特征工程、自动参数调整、自动模型选择等功能，从而减少时间和人力等资源的浪费。AutoML试图将这些特征工程、模型选择以及参数优化等重要步骤进行自动化学习，使得机器学习模型无需人工参与即可被应用。AutoML是一个将从根本上改变基于机器学习解决方案现状的方案。