auto-sklearn¶

auto-sklearn 是一个自动化机器学习工具包，可直接替代 scikit-learn 估计器。

import autosklearn.classification
cls = autosklearn.classification.AutoSklearnClassifier()
cls.fit(X_train, y_train)
predictions = cls.predict(X_test)

auto-sklearn 使机器学习用户摆脱了算法选择和超参数调优的困扰。它利用了贝叶斯优化、元学习和集成构建方面的最新进展。通过阅读我们发表在 NeurIPS 2015 上的论文，了解更多关于 auto-sklearn 背后的技术。

新功能：文本特征支持

Auto-sklearn 现在支持文本特征，请查看我们的新示例：文本预处理

示例¶

import autosklearn.classification
import sklearn.model_selection
import sklearn.datasets
import sklearn.metrics

if __name__ == "__main__":
    X, y = sklearn.datasets.load_digits(return_X_y=True)
    X_train, X_test, y_train, y_test = \
        sklearn.model_selection.train_test_split(X, y, random_state=1)
    automl = autosklearn.classification.AutoSklearnClassifier()
    automl.fit(X_train, y_train)
    y_hat = automl.predict(X_test)
    print("Accuracy score", sklearn.metrics.accuracy_score(y_test, y_hat))

这将运行一小时，并且准确率应达到 0.98 以上。

手册¶

补充材料¶

我们在此提供讲座和教程的幻灯片和笔记本：auto-sklearn-talks

许可证¶

auto-sklearn 的许可方式与 scikit-learn 相同，即 3 条款 BSD 许可证。

引用 auto-sklearn¶

如果您在学术出版物中使用 auto-sklearn，我们非常感谢您引用以下论文：

高效且鲁棒的自动化机器学习, Feurer 等人, Advances in Neural Information Processing Systems 28 (NIPS 2015)。

Bibtex 条目

@inproceedings{feurer-neurips15a,
    title     = {Efficient and Robust Automated Machine Learning},
    author    = {Feurer, Matthias and Klein, Aaron and Eggensperger, Katharina and Springenberg, Jost and Blum, Manuel and Hutter, Frank},
    booktitle = {Advances in Neural Information Processing Systems 28 (2015)},
    pages     = {2962--2970},
    year      = {2015}
}

如果您使用 Auto-sklearn 2.0，也请引用：

Auto-Sklearn 2.0：通过元学习实现无需人工干预的 AutoML, Feurer 等人, (arXiv, 2020)。

Bibtex 条目

@article{feurer-arxiv20a,
    title     = {Auto-Sklearn 2.0: Hands-free AutoML via Meta-Learning},
    author    = {Feurer, Matthias and Eggensperger, Katharina and Falkner, Stefan and Lindauer, Marius and Hutter, Frank},
    journal   = {arXiv:2007.04074 [cs.LG]},
    year      = {2020},
}

贡献¶

我们感谢对 auto-sklearn 的所有贡献，无论是错误报告、文档还是新功能。如果您想为代码做出贡献，可以从问题跟踪器中选择一个议题。

如果您想了解更多信息，请查看我们的GitHub 贡献指南！我们为新手和经验丰富的贡献者都提供了指导。

注意

为避免重复工作或开发不太可能合并的功能，强烈建议您在开始工作之前，通过提交GitHub 议题与开发者联系。