如果您正在考虑使用 AutoML，您可能对它如何实现 以及开始使用时应执行哪些步骤。本部分将深入介绍 了解常见的 AutoML 模式，探讨 AutoML 的工作原理，并研究 在开始为项目使用 AutoML 之前可能需要完成的步骤。
AutoML 工具
AutoML 工具分为两大类：
- 无需编码的工具通常采用 Web 应用的形式 可让您通过用户界面配置和运行实验， 为您的数据构建最佳模型，而无需编写任何代码。
- API 和 CLI 工具可提供高级自动化功能，但需要更多 （有时显著增加）编程和机器学习专业知识。
相较于需要编码的 AutoML 工具， 无代码工具，但它们也可能更难使用。本单元着重介绍 使用无代码选项进行模型开发，但请注意，API 和 CLI 选项可以帮助您。
AutoML 工作流
我们来了解一下典型的机器学习工作流，看看使用 AutoML。工作流程中的高级步骤与您 自定义训练；主要区别在于 AutoML 会为您处理一些任务。
问题定义
任何机器学习工作流的第一步都是定义您的问题。当您使用 AutoML，请确保您选择的工具可以支持 机器学习项目的目标。大多数 AutoML 工具都支持各种监督式模型 机器学习算法和输入数据类型。
有关问题构建的详情， 机器学习问题构建简介。
数据收集
您需要先收集自己的数据，然后才能开始使用 AutoML 工具 集中到一个数据源中。请查看产品文档 您的工具支持：数据源、数据集中的数据类型、大小 数据集的名称。
数据准备
在数据准备方面，AutoML 工具可以帮助您，但 工具可以自动完成所有工作，所以最好先完成一些工作 可以将您的数据导入到该工具中。AutoML 的数据准备过程类似于 手动训练模型所需的操作。如果您需要了解更多信息 如需了解如何准备数据以进行训练，请查看“数据准备” 部分。
如需详细了解如何准备数据，请参阅 处理数值数据 和 处理分类数据 模块。
在导入 AutoML 训练数据之前，您需要完成以下事项 步骤：
为数据加标签
数据集中的每个样本都需要一个标签。
清理数据并设置数据格式
实际数据往往杂乱无章，因此请在使用前清理数据 。即使是使用 AutoML，您也需要确定 特定数据集和问题。这可能需要进行一些探索 在获得最佳结果之前，可能先运行多次 AutoML。
执行特征转换
某些 AutoML 工具可为您处理某些特征转换。但是，如果 您使用的工具不支持您所需的特征转换，或 则您后续可能需要执行转换 。
模型开发（使用无代码 AutoML）
AutoML 在训练期间为您处理工作。不过，在开始之前 您需要配置实验。如需设置 AutoML 训练，请执行以下操作： 则通常需要指定以下概要步骤：
导入数据
如需导入数据，请指定数据源。导入期间 过程中，AutoML 工具会为每个数据值分配一个语义数据类型。
分析数据
AutoML 产品通常会提供一些工具，用于在之前和之后分析数据集， 训练之后。您最好使用以下分析工具 来了解和验证您的数据，然后再开始 AutoML 运行。
优化数据
AutoML 工具通常会提供相应机制来帮助您优化数据， 导入和训练之前。以下是您可能需要完成的一些任务 优化数据：
语义检查：在导入期间，AutoML 工具会尝试确定 但这些只是猜测。 您应检查并更改分配给所有地图项的类型 则会发生此错误。
例如，您可能将邮政编码以数字形式存储在 您的数据库。大多数 AutoML 系统会将数据检测为连续的 数值数据。对于邮政编码和用户而言，这是不正确的 则可能需要将语义类型更改为“分类”， 而不是连续。
转换：某些工具允许用户自定义数据 转换。有时 当数据集包含需要预测的特征时， 以 AutoML 工具难以进行转换或组合的方式 没有帮助就能确定
以您用于预测的住房数据集为例， 房屋的促销价。假设有个特征表示 为名为
description的房屋信息添加说明， 希望使用这些数据来创建名为description_length。一些 AutoML 系统提供了一些方法来使用自定义 转换。在此示例中，可能有一个LENGTH函数 来生成新的说明长度特征，如下所示：LENGTH(description)。
配置 AutoML 运行参数
运行训练实验的最后一步是选择几个 配置设置，告知该工具您希望如何训练模型。 虽然每个 AutoML 工具都有自己独特的一组配置选项， 您可能需要完成几项重要的配置任务 完成：
- 选择您计划解决的机器学习问题类型。例如，您是否 如何解决分类或回归问题？
- 选择数据集中的哪个列作为标签。
- 选择要用于训练模型的特征集。
- 选择 AutoML 在模型搜索中考虑的一组机器学习算法。
- 选择 AutoML 在选择最佳模型的评估指标。
配置 AutoML 实验后，您就可以开始训练了 运行。训练可能需要一段时间（按小时数）完成。
评估模型
训练结束后，您可以使用 AutoML 中的工具来检查结果 可帮助您：
- 通过检查特征重要性指标评估您的特征。
- 通过检查所用的架构和超参数来了解模型 来构建它。
- 使用实验期间收集的图表和指标评估顶层模型的性能 输出模型的训练。
生产化
虽然这不在本单元的讨论范围之内，但一些 AutoML 系统可以帮助您 测试和部署模型。
重新训练模型
您可能需要使用新数据重新训练模型。在您完成上述操作后， 评估 AutoML 训练运行，或在生产环境中进行 。无论采用哪种方式，AutoML 系统都可以帮助您进行再训练。不是 使用 AutoML 运行后再次查看数据的情况，并使用 改进的数据集。
后续步骤
恭喜您完成本单元的学习！
我们建议您探索各种 MLCC 模块 自己的节奏和兴趣如果您想遵循建议顺序 我们建议您接下来学习以下单元： 机器学习公平性。