作者归档 | Jason Brownlee

机器学习的许多计算密集型任务可以通过将工作分配到多个 CPU 核心上来实现并行化，这被称为多核处理。可以实现并行化的常见机器学习任务包括训练模型（如决策树集成）、使用重采样程序（如 k 折交叉验证）评估模型以及调整模型超参数等 [...]。

AutoML 提供工具，通过很少的用户干预，自动发现适合数据集的良好机器学习模型管道。它非常适合机器学习领域的新领域专家或希望为预测建模任务快速获得良好结果的机器学习从业者。有一些开源库可用于使用流行的机器学习 [...] 方法进行 AutoML。

机器学习模型的选择和配置可能是应用机器学习中最大的挑战。必须进行受控实验，以发现最适合给定分类或回归预测建模任务的方法。考虑到大量的数据准备方案、学习算法和模型超参数，这可能会让人不知所措 [...]。

机器学习模型具有您必须设置的超参数，以便根据数据集自定义模型。模型的超参数的总体效应通常是已知的，但如何最好地为给定数据集设置超参数和交互式超参数的组合是一个挑战。通常存在通用启发式方法或规则 [...]。

自动机器学习（AutoML）是指在很少的用户参与下，自动发现预测建模任务的良好模型的技术。HyperOpt 是一个用于大规模 AutoML 的开源库，而 HyperOpt-Sklearn 是 HyperOpt 的一个包装器，它支持与流行的 Scikit-Learn 机器学习库的 AutoML，包括数据准备 [...]。

自动机器学习（AutoML）是指在很少的用户参与下，自动发现预测建模任务的良好模型的技术。TPOT 是一个用于在 Python 中执行 AutoML 的开源库。它利用流行的 Scikit-Learn 机器学习库进行数据转换和机器学习算法，并使用遗传编程随机全局 [...]。

自动机器学习（AutoML）是指在很少的用户参与下，自动发现预测建模任务的良好模型的技术。Auto-Sklearn 是一个用于在 Python 中执行 AutoML 的开源库。它利用流行的 Scikit-Learn 机器学习库进行数据转换和机器学习算法，并使用贝叶斯优化搜索过程 [...]。

超参数优化是指通过搜索来发现能够使模型在特定数据集上获得最佳性能的特定模型配置参数集。有许多方法可以进行超参数优化，尽管现代方法，如贝叶斯优化，速度快且有效。Scikit-Optimize 库是一个 [...]。