資料內(nèi)容：

什么是 AutoML？
AutoML 旨在通過(guò)?動(dòng)化常?步驟(如特征預(yù)處理、模型選擇
和超參數(shù)調(diào)整)來(lái)簡(jiǎn)化 ML 模型的構(gòu)建過(guò)程。在接下來(lái)的章節(jié)
中，您將詳細(xì)了解這些步驟，并且您將實(shí)際構(gòu)建?個(gè) AutoML
系統(tǒng)來(lái)更深?地了解 AutoML 可?的?具和庫(kù)。
 

在不涉及細(xì)節(jié)的情況下，回顧什么是 ML 模型以及如何訓(xùn)練
ML 模型是很有?的。
 

ML 算法會(huì)對(duì)你的數(shù)據(jù)進(jìn)?運(yùn)算，找到?定的模式，這個(gè)學(xué)習(xí)
過(guò)程叫做模型訓(xùn)練。作為模型訓(xùn)練的結(jié)果，你將擁有?個(gè) ML
模型，它可以給你關(guān)于數(shù)據(jù)的?解/答案，?不需要你寫(xiě)明確
的規(guī)則。
 

當(dāng)你在實(shí)踐中使? ML 模型時(shí)，你會(huì)拋出?堆數(shù)值數(shù)據(jù)作為訓(xùn)
練算法的輸?。訓(xùn)練過(guò)程的輸出是?個(gè) ML 模型，您可以使?
它進(jìn)?預(yù)測(cè)。預(yù)測(cè)可以幫助您根據(jù)服務(wù)器的當(dāng)前狀態(tài)來(lái)決定是
否應(yīng)該在未來(lái)四?時(shí)內(nèi)對(duì)其進(jìn)?維護(hù)，或者您的客戶(hù)是否會(huì)轉(zhuǎn)
向您的競(jìng)爭(zhēng)對(duì)?。
 

有時(shí)候你正在解決的問(wèn)題不會(huì)被很好地定義，你甚?不知道你
在尋找什么樣的答案。在這種情況下，ML 模型將幫助您探索
您的數(shù)據(jù)集，例如確定?組在?為??彼此相似的客戶(hù)，或者
根據(jù)他們的相關(guān)性找到股票的層次結(jié)構(gòu)。
 

當(dāng)你的模型出現(xiàn)客戶(hù)群時(shí)，你會(huì)怎么做？嗯，你?少知道這?
點(diǎn):屬于同?個(gè)集群的客戶(hù)在特征上是相似的，?如年齡、職
業(yè)、婚姻狀況、性別、產(chǎn)品偏好、?/周/?消費(fèi)習(xí)慣、消費(fèi)總
額等等。屬于不同集群的客戶(hù)互不相同。有了這樣的洞察?，
您可以利?這些信息為每個(gè)集群創(chuàng)建不同的?告活動(dòng)。
 

從更技術(shù)性的?度來(lái)看，讓我們?簡(jiǎn)單的數(shù)學(xué)術(shù)語(yǔ)來(lái)理解這個(gè)
過(guò)程。有?個(gè)數(shù)據(jù)集 X ，其中包含 n 個(gè)例?。這些例?可以
代表顧客或不同種類(lèi)的動(dòng)物。每個(gè)例?通常是?組實(shí)數(shù)，稱(chēng)為
特征，例如，如果我們有?個(gè) 35 歲的?性客戶(hù)在您的商店花
了 12000 美元，您可以?以下向量(0.0，35.0，12000.0)
表?該客戶(hù)。請(qǐng)注意，性別? 0.0 表?，這意味著男性客戶(hù)
將擁有該功能的 1.0 。向量的??代表維度。因?yàn)檫@是?個(gè)?
?為三的向量，我們通常? m 來(lái)表?，所以這是?個(gè)三維數(shù)
據(jù)集。
 

根據(jù)問(wèn)題類(lèi)型，您可能需要為每個(gè)?例設(shè)置?個(gè)標(biāo)簽。例如，
如果這是?個(gè)監(jiān)督學(xué)習(xí)問(wèn)題，如?進(jìn)制分類(lèi)，你可以? 1.0
或 0.0 標(biāo)記你的例?，這個(gè)新變量被稱(chēng)為標(biāo)記或?標(biāo)變量。
?標(biāo)變量通常被稱(chēng)為 y 。