自动化机器学习（Automl）自动化并消除从设置到预测模型的数据所需的手动步骤。Automl还降低了构建精确模型所需的专业知识，因此您是否可以使用它是专家还是有限的机器学习体验。通过自动化重复任务，AutomL简化机器学习工作流程中的复杂阶段，例如：
- 数据探索和预处理:识别预测能力低和应排除的高度相关的变量。
- 特征提取与选择：自动提取特征和 - 在大功能集中 - 识别具有高预测功率的特征。
- 模型选择和调整:自动调优模型超参数，识别最佳性能模型。
- 准备部署通过代码生成，您可以将高级机器学习代码转换为C/ c++等低级语言，以便部署在内存有限、功耗低的嵌入式设备上。
简化机器学习工作流程与自动化。Automl适用的步骤显示为浅灰色。
您可以使用MATLAB与AutomL支持许多工作流程，例如功能提取和金宝app选择和模型选择和调谐。
特征提取与选择
特征提取减少了原始数据中存在的高维性和可变性，并识别捕获输入信号的突出和独特部分的变量。特征工程的过程通常从原始数据生成初始特征，以选择最合适的特征的小子集。但功能工程是一个迭代过程，其他方法如特征转换和维度减少可以发挥作用。
根据数据类型的不同，有许多方法可以从原始数据生成特性:
- 小波散射应用预定义的小波和缩放滤波器从信号和图像数据中获得低方差特征。
- 无监督学习方法，例如重建ICA和稀疏的过滤，通过发现独立成分和优化特征分布的稀疏性来学习有效的表示。
- 其他功能图片和音频信号可以在计算机视觉工具箱™和音频工具箱™中找到。
特征选择识别了一个仍然具有预测能力的特征子集，但特征更少，模型更小。各种各样的自动特征选择的方法是可用的，包括根据预测能力和学习特征的重要性以及模型参数对特征进行排名。其他特征选择方法通过迭代确定一组特征来优化模型性能。
模型选择与优化
开发综合机器学习模型的核心是在众多可用模型中确定哪一个对手头的任务表现最好，然后调整其超参数以优化性能。AutoML可以在一个步骤中优化模型和相关的超参数。一步模型优化的有效实现应用元学习，根据特征的特征，将搜索好的模型的范围缩小到候选模型的子集，并通过使用贝叶斯优化来有效地优化每个候选模型的超参数，而不是计算更密集的网格和随机搜索。
如果使用其他方法(如试错)确定有希望的模型，则可以通过网格或随机搜索或前面提到的贝叶斯优化等方法单独优化其超参数。
一旦确定了性能模型，就可以部署优化后的模型，而不需要进行额外的编码。要完成此任务，请应用自动代码生成或将其集成到像Simulink这样的模拟环境中金宝app®．
