AutoML之路（一）自动化机器学习简介

前述

还记得当年那个手动调参的自己吗？犹记得当年的自己，为了找到最优参数，不断的人肉修改超参，一次又一次的启动程序，比较每一个参数，最后选择一个局部最优的参数组合。
那时候的自己就在想，重复这些没有无聊的事情到底有没有必要。提前配置好参数范围，自动取参，自动训练也不是很难吧？但是，自己懒，怪不了别人。
另一方面，机器学习的热度也导致编写运行一个模型，门槛变得越来越低。对于客户来说，也不想关心那么多，最好有一个平台，数据丢进去，就能出来一个结果。
这样的时代虽然早几年都来了，但是如今也越来越完善。

传统训练模型的工作流

传统方式下，模型是如何从思想到现实的呢？

• 分析抽象问题
• 选择合适的算法（cnn？rnn？强化学习？）
• 选择框架（MXnet？tensorflow？ pytorch？DL4J？）
• 特征工程
  • 数据预处理 （缺失值、异常值）
  • 特征提取、融合
  • PCA
• 选择模型
  • 机器学习
    • 机器学习目前有很多集成好的工具库，可以直接调用。例如决策树里非常有名的lightgbm
  • 深度学习
    • 编写网络结构
• 超参调整
  • 诸多参数影响模型的效果，例如：batch_size, learning_rate
  • 参数的不同组合，可能效果也不一样
• 加载模型预测
  • 直接加载
    • 可以选择直接加载，但往往参数量比较大，内含很多不需要的信息，导致模型文件也大
  • 模型压缩
    • 不影响模型效果的情况下，尽量压缩模型文件

AutoML简介

AutoML的目标在于打造一个端到端的系统，一端输入你的数据，其他的你什么都不要管，中间涉及的特征工程、模型选择、网络构建、超参调优，都由AutoML在后台完成，随后输出结果。
是不是很酷？ 是不是很心动？