AutoML(自动化机器学习)解释说

自动化机器学习(AutoML)自动化,消除了手动步骤需要从一个数据集到一个预测模型。AutoML也降低了专业知识水平要求建立精确的模型,所以你可以使用它不管你是专家还是机器学习经验有限。通过自动化重复性任务,AutoML流线复杂阶段的机器学习工作流程,如:

• 数据探索和预处理:确定变量的预测能力较低和高度相关的变量应该被消除。
• 特征提取和选择:自动提取特征和大型特性set-identify高的预测能力。
• 模型选择和调优:自动调整模型hyperparameters和识别表现最好的模型。
• 准备部署:通过代码生成,您可以将机器学习高级代码转换为低级语言如C / c++对嵌入式设备部署有限的内存和低功耗。

您可以使用MATLAB AutoML支持许多工作流程,如特征提取和选择和模型选择和调优。

特征提取和选择

特征提取可以降低高维度和变异性存在于原始数据并识别变量捕获的突出和独特的部分的输入信号。的过程工程特性通常进展从原始数据生成初始特征选择最合适的一个小子集的特性。但功能工程是一个迭代的过程,和其他方法,如功能转换和降维可以扮演一个角色。

根据数据的类型,很多方法可以从原始数据生成的特性:

• 小波散射预定义的小波和扩展过滤器适用于从信号和图像数据获取低温度差的特性。
• 无监督学习方法,比如重建ICA和稀疏的过滤学习有效的表征,揭示独立组件和优化的稀疏特性分布。
• 其他功能图片和音频信号可以在计算机视觉中找到工具箱™和音频工具箱™。

特征选择识别功能的一个子集,还提供预测能力,但是更少的特性和较小的模型。各种各样的自动特征选择的方法是可用的,包括排名特性的预测能力和学习功能的重要性以及模型参数。其他特征选择方法迭代确定一组特性,优化模型性能。

模型选择和调优

开发一个全面的机器学习模型的核心是确定在许多可用的模型执行最适合手头的任务,然后调整其hyperparameters优化性能。AutoML可以优化模型和相关hyperparameters在一个单一的步骤。一步模型优化的高效实现元学习缩小搜索申请好模型的一个子集候选人模型基于特征的功能,并优化每个候选人的hyperparameters模型有效地运用贝叶斯优化的计算更密集的网格和随机搜索。

如果希望模型确认使用其他手段(如试验和错误),它可以优化hyperparameters单独网格等方法或随机搜索,或贝叶斯优化如前所述。

一旦你确定了性能模型,您可以部署优化模型没有额外的编码。完成这项任务,应用自动代码生成或在模拟环境中集成仿真软件^®。