搜索研究与资料 · 工具介绍
Auto-PyTorch
Auto-PyTorch 将神经网络结构搜索与训练超参数优化结合，用于表格分类、回归和时间序列预测。其流程包含数据校验、基线评估、预算内搜索以及模型集成。
Auto-PyTorch 能做什么
Auto-PyTorch 将神经网络结构搜索与训练超参数优化结合，用于表格分类、回归和时间序列预测。其流程包含数据校验、基线评估、预算内搜索以及模型集成。
- 模型训练与部署
如何使用 Auto-PyTorch
在限定时间内搜索表格分类模型
准备输入
- 已划分的训练与测试特征、标签，以及总搜索时间和单次评估时间预算。
操作步骤
- 安装 autoPyTorch，创建 TabularClassificationTask。
- 调用 search 提供数据、accuracy 指标及两个时间限制。
- 使用 predict 处理测试特征，再通过 score 对照测试标签检查准确率。
预期交付物
- 搜索得到的模型集成、测试预测以及准确率评分。
人工核查数据切分和评价指标，时间预算内的最佳候选不代表所有可能模型中的全局最优；旧版 API 与 0.1.0 起的接口存在不兼容。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从搜索研究与资料角度评估Auto-PyTorch
把搜索研究与资料需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
