本節將探討 AutoML，且 協助您判斷 AutoML 是否適合您的專案。
優點
您可能會選擇使用 AutoML 的幾個常見原因包括：
- 節省時間：許多人會選擇使用 AutoML，藉此節省時間， 進行大量手動實驗，以找出最佳模型。
- 提升機器學習模型的品質：AutoML 工具可全面搜尋 以獲得最佳品質模型
- 不需要專業技能也能建構機器學習模型：副作用 自動執行機器學習任務就是開放機器學習使用者不必 對機器學習演算法或程式設計的瞭解 機器學習模型
- 對資料集進行煙霧測試：即便您是專家的模型建構工具，AutoML 也能協助您 能快速提供基準預估值，方便您評估資料集是否足夠 發出任何雜訊如果 AutoML 工具無法建構連偶數問題 因此請您花時間建立 像是圖片、文字、圖片等等
- 評估資料集：許多 AutoML 系統不僅可協助您評估資料集 也有助於評估 訓練這些模型即使您未使用產生的模型，AutoML 也會存在 工具可協助您判斷哪些功能可能不適用 並納入最終資料集
- 如何強制執行最佳做法：自動化動作包括可套用的內建支援 制定機器學習最佳做法
限制
不過，在選擇 AutoML 之前，您應考量一些限制：
- 模型品質可能不如手動訓練。使用一般化 找出最佳架構組合 超參數和特徵工程通常是指 只有一段時間才是動機深具影響力的專家 能生成更適合 預測品質
- 模型搜尋和複雜度可能不透明。有了 AutoML 以便深入瞭解這項工具如何找到最佳模型。事實上， 輸出模型本身可能來自不同的架構 超參數和特徵工程策略產生的模型 AutoML 很難手動重現，
- 多項 AutoML 執行作業可能會顯示較高的變異： 最佳化演算法會反覆疊代，找出認為最有價值的值 不同的 AutoML 執行作業 可能會搜尋不同部分 並在適當 (或甚至可能) 內風向 不同的位置使用 AutoML 重新調整，建立新的模型架構 顯示的變異數可能比只重新訓練先前的輸出模型時更多 這個架構的簡短總覽
- 您無法在訓練期間自訂模型。如果用途 AutoML 可能並不是 找出最合適的選擇
資料條件
無論是使用自訂訓練還是 AutoML 系統 無論您要從頭開始建構模型 資料量AutoML 的優點是，多數情況下您可以忽略 開發架構和超參數搜尋 資料。
此外，還有專門的 AutoML 系統可用來訓練模型 可大幅減少資料用量 遷移學習。適用對象 您不需要提供數十萬個範例來建立 圖像分類模型，這些特殊 AutoML 系統 以及數百張圖片，再搭配現有 也就是圖像分類架構模型
AutoML 適合你的專案嗎？
AutoML 能協助新手和專家 使用機器學習來建構產品 解決問題如果您想知道 AutoML 是否適合您的專案 請考慮以下幾點：
- 若是建構機器學習經驗有限的團隊，不妨使用 AutoML 或經驗豐富的團隊，希望提升工作效率 沒有自訂需求
- 如果模型品質符合下列條件，則適合使用自訂 (手動) 訓練 而且團隊必須能自訂模型在以下 手動訓練可能需要更多時間進行實驗 建構解決方案，但團隊通常可以達到更高品質的模型 比 AutoML 解決方案更出色