搜索研究与资料 · 工具介绍
BlobCity AutoAI
BlobCity AutoAI 针对数值数据的分类与回归任务自动训练和调参，支持特征选择、预测及代码导出，可把已选模型生成 Python 脚本或 Jupyter Notebook。
BlobCity AutoAI 能做什么
BlobCity AutoAI 针对数值数据的分类与回归任务自动训练和调参，支持特征选择、预测及代码导出，可把已选模型生成 Python 脚本或 Jupyter Notebook。
- 模型训练与部署
如何使用 BlobCity AutoAI
从带目标列的表格训练模型并导出代码
准备输入
- 包含目标列的 CSV 或 XLSX 文件，或 Pandas DataFrame，以及后续待预测的新数据。
操作步骤
- 安装 blobcity，使用 bc.train 指定数据与目标列名称。
- 检查 model.features 返回的特征，用 model.spill 导出 Python 或 Notebook 代码。
- 保证新数据包含所需特征后调用 model.predict，并通过 model.summary 检查模型与统计指标。
预期交付物
- 训练后的模型、导出的代码、预测结果及模型统计摘要。
官方将该框架标为 beta；TensorFlow 等深度网络的代码导出只含测试或最终使用代码，不能宣称都附带训练代码。人工应检查自动选中特征与输入列，并验证模型后再采用。
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BlobCity AutoAI
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。
