自動機器學習工具全景圖：精選22種框架，解放煉丹師

構建一個典型的機器學習項目，通常分紅如下步驟：

收集原始數據、合併數據源、清洗數據、特徵工程、模型構建、超參數調優、模型驗證和設備部署。

整個過程當中，模型構建最能體現創造力，而最耗時的，要數特徵工程和超參數調優。

因而，有時候會由於趕時間，過早將模型從實驗階段轉移到生產階段，致使它們發揮不出最佳效果；也有時候，會由於花了太多時間調優致使部署延遲。

這時候，就體現出了自動機器學習（Automatic machine learning, AML）框架的價值。

自動機器學習框架能幫助數據科學家減輕負擔，下降特徵工程和超參數調優的工做量，讓他們能花更多時間來嘗試模型架構。快速驗證可能的方案不只能讓數據科學家很快地評估目標數據集，也能提供基準性能用以改進。

本文儘量全面地介紹現有的自動機器學習框架，也附上了對應的代碼地址。